利用不精确化验结果预测疾病进展
机器学习
2021-07-09 v1
摘要
在现有深度学习方法中，几乎所有损失函数都假设待预测的样本数据值是唯一正确的。这一假设对实验室检验数据并不成立。检验结果常处于可容忍或不精确范围内，该范围内所有取值均可接受。通过考虑不精确样本，我们提出一种不精确范围损失（IR loss）方法，并将其嵌入长短期记忆（Long Short Term Memory, LSTM）模型以用于疾病进展预测。在该方法中，不精确范围空间中的每个样本以一定概率为真实值，参与损失计算。损失定义为不精确范围空间中各点误差的积分。我们给出了一种针对不精确空间的采样方法。将连续不精确空间离散化，得到一系列不精确数据集，便于梯度下降学习。开发了启发式学习算法基于不精确数据集学习模型参数。真实数据上的实验结果表明，当检验样本由不精确范围生成时，基于 IR loss 的预测方法能提供更稳定且一致的预测结果。
引用
@article{arxiv.2107.03620,
title = {Predicting Disease Progress with Imprecise Lab Test Results},
author = {Mei Wang and Jianwen Su and Zhihua Lin},
journal= {arXiv preprint arXiv:2107.03620},
year = {2021}
}