逐步嵌入对于异质临床时间序列的重要性
机器学习
2024-02-07 v1
摘要
序列建模深度学习架构的最新进展尚未完全迁移到处理电子健康记录中时间序列的任务上。特别是在重症监护病房（ICU）相关问题中，最先进的方法仍是以表格方式借助基于树的方法处理序列分类。表格数据深度学习的最新成果通过更好地处理输入特征的严重异质性，正超越这些经典方法。鉴于 ICU 时间序列表现出类似程度的特征异质性，并受这些发现的启发，我们探究了这些新颖方法对临床序列建模任务的影响。通过联合运用表格数据深度学习的此类进展，我们的首要目标是强调逐步嵌入（step-wise embedding）在时间序列建模中的重要性，而这一点在面向临床数据的机器学习方法中尚属未被探索。在来自两个大规模 ICU 数据集 MIMIC-III 与 HiRID 的多种临床相关任务上，我们的工作对作为时间步嵌入模型的表格时间序列最先进方法进行了详尽分析，显示出整体性能提升。我们尤其证明了临床时间序列中特征分组的重要性：在逐步嵌入模块中考虑预定义语义组内的特征时，取得了显著的性能增益。
引用
@article{arxiv.2311.08902,
title = {On the Importance of Step-wise Embeddings for Heterogeneous Clinical Time-Series},
author = {Rita Kuznetsova and Alizée Pace and Manuel Burger and Hugo Yèche and Gunnar Rätsch},
journal= {arXiv preprint arXiv:2311.08902},
year = {2024}
}
备注
Machine Learning for Health (ML4H) 2023 in Proceedings of Machine Learning Research 225