基于多任务学习的早产儿不良新生儿结局预测
机器学习
2023-03-29 v1 定量方法
摘要
不良新生儿结局的诊断对早产儿的存活至关重要，因为它能使医生及时提供治疗。机器学习 (ML) 算法已被证明在预测不良新生儿结局方面是有效的。然而，以往大多数基于 ML 的方法仅关注单一结局的预测，忽略了不同结局之间的潜在关联，并可能导致次优结果和过拟合问题。在本工作中，我们首先分析了三种不良新生儿结局之间的相关性，然后将多种新生儿结局的诊断表述为一个多任务学习 (MTL) 问题。接着我们提出一个 MTL 框架来联合预测多种不良新生儿结局。特别地，该 MTL 框架包含共享隐藏层和多个任务特定分支。我们使用来自 121 名早产儿的电子健康记录 (EHRs) 进行了大量实验。实证结果证明了该 MTL 框架的有效性。此外，我们对每种新生儿结局进行了特征重要性分析，为模型可解释性提供了见解。
引用
@article{arxiv.2303.15656,
title = {Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning},
author = {Jingyang Lin and Junyu Chen and Hanjia Lyu and Igor Khodak and Divya Chhabra and Colby L Day Richardson and Irina Prelipcean and Andrew M Dylag and Jiebo Luo},
journal= {arXiv preprint arXiv:2303.15656},
year = {2023}
}