在疾病轨迹图中表示结果驱动的高阶依赖关系
机器学习
2023-12-27 v1
摘要
机器学习技术在生物医学数据中的广泛应用，为疾病进展和改善临床护理带来了许多新见解。受图（网络）的灵活性和可解释性，以及 Transformer 和高阶网络（HONs）等序列模型强大能力的启发，我们提出了一种方法，用于识别给定结果的 risk factors 组合，并在图中准确编码这些高阶关系。利用来自 913,475 名 2 型糖尿病（T2D）患者的历史数据，我们发现与其他方法相比，所提出的网络编码了更多关于 T2D 向各种结果进展的信息。我们还展示了如何利用所提出图的结构信息来增强基于 Transformer 的模型在预测任务上的性能，特别是在数据嘈杂时。通过增加图的阶数或记忆长度，我们展示了所提出的方法如何在成功忽略噪声元素的同时阐明关键风险因素，从而促进既准确又可解释的分析。
引用
@article{arxiv.2312.15353,
title = {Representing Outcome-driven Higher-order Dependencies in Graphs of Disease Trajectories},
author = {Steven J. Krieg and Nitesh V. Chawla and Keith Feldman},
journal= {arXiv preprint arXiv:2312.15353},
year = {2023}
}