表型本体驱动的多任务学习框架
机器学习
2021-03-25 v1 人工智能
机器学习
摘要
尽管电子健康记录（EHRs）中患者数量庞大，可用于建模特定表型结局的数据子集往往不平衡且规模有限。这可归因于 EHRs 中医学概念覆盖不均。本文提出 OMTL，一种本体驱动的多任务学习（Multi-Task Learning）框架，旨在克服此类数据局限。我们工作的关键贡献在于有效利用来自预定义成熟医学关系图（本体）的知识，构建一种映射该本体的新型深度学习网络架构。它可通过构建映射该图的深度学习网络架构，有效借力成熟医学关系图（本体）中的知识。这使得相关表型间可共享公共表示，并被发现可提升学习性能。所提 OMTL 自然支持不同表型在异质预测任务上的多任务学习。这些表型依据外部医学本体按语义距离相联结。利用公开可用的 MIMIC-III 数据库，我们评估了 OMTL，并在若干真实患者结局预测上证明了其相对于最先进多任务学习方案的效能。
引用
@article{arxiv.2009.02188,
title = {Phenotypical Ontology Driven Framework for Multi-Task Learning},
author = {Mohamed Ghalwash and Zijun Yao and Prithwish Chakraborty and James Codella and Daby Sow},
journal= {arXiv preprint arXiv:2009.02188},
year = {2021}
}
备注
To be appear on ACM CHIL 2021