用于 RSV 病例检测的在线迁移学习

迁移学习已成为机器学习中的一项关键技术，并在各种实际应用中被证明是有效的。然而，将此技术用于具有序列数据的分类任务通常面临挑战，这主要归因于类标签的稀缺。为了应对这一挑战，我们引入了多源自适应加权，这是一种在线多源迁移学习方法。MSAW 将动态加权机制集成到集成框架中，能够根据每个源（代表历史知识）和目标模型（从新获取的数据中学习）的相关性与贡献自动调整权重。我们通过将 MSAW 应用于检测急诊科就诊中的呼吸道合胞病毒（RSV）病例，展示了其有效性，其中利用了匹兹堡大学医学中心多年的电子健康记录。我们的方法表现出优于许多基线的性能，包括使用在线学习改进预训练模型以及三种静态加权方法，这表明 MSAW 具备将历史知识与逐步积累的新数据相整合的能力。本研究表明了在线迁移学习在医疗保健领域的潜力，特别是对于开发能够动态适应新数据增量积累等不断变化情况的机器学习模型。