面向帕金森病严重程度预测的基于博弈的患者特异性迁移方法
机器学习
2022-08-15 v2 人工智能
摘要
发声障碍是帕金森病（PD）的早期症状之一。大多数现有方法使用特征选择方法为所有PD患者寻找语音特征的最优子集。极少考虑患者间的异质性，这意味着需要为不同患者提供特定的预测模型。然而，构建特定模型面临小样本量的挑战，使其缺乏泛化能力。实例迁移是解决此问题的有效途径。因此，本文提出一种基于博弈的患者特异性迁移（PSGT）方法用于PD严重程度预测。首先，使用选择机制从源域中选取与目标患者疾病趋势相似的PD患者，极大降低了负迁移风险。然后，通过Shapley值公平评估被迁移受试者及其实例对目标受试者疾病估计的贡献，提升了方法的可解释性。接下来，确定被迁移受试者中有效实例的比例，并迁移贡献较高的实例，以进一步减小被迁移实例子集与目标受试者间的差异。最后，将筛选的实例子集加入目标受试者的训练集，并将扩展数据输入随机森林以提升方法性能。使用帕金森病远程监测数据集评估可行性与有效性。实验结果表明，PSGT在预测误差与稳定性上均优于对比方法。
引用
@article{arxiv.2208.04315,
title = {Patient-Specific Game-Based Transfer Method for Parkinson's Disease Severity Prediction},
author = {Zaifa Xue and Huibin Lu and Tao Zhang and Max A. Little},
journal= {arXiv preprint arXiv:2208.04315},
year = {2022}
}