PheME：一种从多模态数据改进表型预测的深层集成框架
机器学习
2023-04-28 v2 计算与语言
多媒体
定量方法
摘要
详细的表型信息对疾病的准确诊断与风险估计至关重要。作为表型信息的丰富来源，电子健康记录（EHRs）有望赋能诊断性变异解读。然而，如何从异质 EHR 数据中准确高效地提取表型仍具挑战。本工作中，我们提出 PheME，一种利用结构化 EHR 与非结构化临床笔记多模态数据进行准确表型预测的集成框架。首先，我们采用多个深度神经网络从稀疏结构化 EHR 数据与冗余临床笔记中学习可靠表示；随后一个多模态模型将多模态特征对齐至同一潜空间以预测表型。其次，我们利用集成学习结合单模态模型与多模态模型的输出以改进表型预测。我们选取七种疾病评估所提框架的表型刻画性能。实验结果表明，使用多模态数据显著改善所有疾病的表型预测，所提集成学习框架可进一步提升性能。
引用
@article{arxiv.2303.10794,
title = {PheME: A deep ensemble framework for improving phenotype prediction from multi-modal data},
author = {Shenghan Zhang and Haoxuan Li and Ruixiang Tang and Sirui Ding and Laila Rasmy and Degui Zhi and Na Zou and Xia Hu},
journal= {arXiv preprint arXiv:2303.10794},
year = {2023}
}