RA-GCN：面向不平衡数据的疾病预测图卷积网络
机器学习
2021-11-09 v3
摘要
疾病预测是医学应用中一类已知的分类问题。GCN 为分析患者间相对特征提供了有力工具。这可将问题建模为图节点分类任务来实现，其中每个节点是一名患者。由于此类医疗数据集的性质，类别不平衡是疾病预测领域中普遍存在的问题，即类别分布偏斜。当数据中存在类别不平衡时，现有基于图的分类器往往偏向多数类而忽略少数类样本。另一方面，在医疗系统中正确诊断所有患者中的罕见阳性病例至关重要。传统方法通过在损失函数中为各类分配适当权重来处理此类不平衡，但这仍依赖于权重的相对取值、对离群点敏感，且在某些情况下偏向少数类。本文中，我们提出重加权对抗图卷积网络（RA-GCN）以防止基于图的分类器强调任一特定类的样本。这是通过为每个类关联一个基于图的神经网络来实现，其负责对该类样本加权并改变各样本对分类器的重要性。因此，分类器进行自我调整，并更关注重要样本以确定类间边界。分类器与加权网络的参数通过对抗方式进行训练。我们在合成数据集与三个公开医疗数据集上展示了实验。RA-GCN 在全部三个数据集上识别患者状态均优于近期方法。详细分析以合成数据集上的定量与定性实验形式给出。
引用
@article{arxiv.2103.00221,
title = {RA-GCN: Graph Convolutional Network for Disease Prediction Problems with Imbalanced Data},
author = {Mahsa Ghorbani and Anees Kazi and Mahdieh Soleymani Baghshah and Hamid R. Rabiee and Nassir Navab},
journal= {arXiv preprint arXiv:2103.00221},
year = {2021}
}