PIVETed-Granite：通过约束张量分解提取计算表型
机器学习
2018-08-09 v1 机器学习
摘要
最近研究表明，多模态电子健康记录数据的稀疏非负张量分解是一种有前景的高通量计算表型提取方法。然而，此类方法在提取表型时通常未利用可用的领域知识；因此，某些建议的表型可能不能很好地映射到临床概念，或可能与其他建议的表型非常相似。为解决这些问题，我们提出一种新颖的自动方法PIVETed-Granite，该方法挖掘现有生物医学文献（PubMed）以获得不可链接约束，并将其作为侧信息用于基于张量分解的计算表型提取过程。在使用来自VUMC的大型数据集识别高血压患者的表型的实验中，可清晰观察到由此带来的改进。
引用
@article{arxiv.1808.02602,
title = {PIVETed-Granite: Computational Phenotypes through Constrained Tensor Factorization},
author = {Jette Henderson and Bradley A. Malin and Joyce C. Ho and Joydeep Ghosh},
journal= {arXiv preprint arXiv:1808.02602},
year = {2018}
}