鲁棒训练循环神经网络以处理缺失数据用于疾病进展建模
计算机视觉与模式识别
2018-08-17 v1 机器学习
摘要
利用纵向数据进行的疾病进展建模（DPM）是医疗健康机器学习中一项具有挑战性的任务，可为临床医生提供更好的疾病诊断与监测工具。现有 DPM 算法忽略测量值间的时间依赖关系，并对生物标志物轨迹做出参数化假设。此外，它们未联合建模多个生物标志物，且需要对受试者轨迹进行对齐。本文中，利用循环神经网络（RNNs）来解决这些问题。然而，在许多情况下，纵向队列包含不完整数据，这阻碍了标准 RNN 的应用，并需要诸如缺失值插补的预处理步骤。因此，我们针对最广泛使用的 RNN 架构——长短期记忆（LSTM）网络，提出一种通用训练规则，可处理目标变量与预测变量中的缺失值。该算法被应用于利用磁共振成像（MRI）生物标志物对阿尔茨海默病（AD）进展进行建模。结果表明，与采用数据插补的标准 LSTM 网络或基于回归的 DPM 方法相比，所提出的 LSTM 算法在所有考虑的 MRI 生物标志物测量值预测上取得了更低的绝对平均误差。此外，对由所提算法预测的生物标志物值应用线性判别分析，相较于相同对照方法，在临床诊断 AD 上获得了更大的受试者工作特征曲线下面积（AUC），且该 AUC 与近期横断面医学图像分类挑战赛中的 SOTA AUC 相当。本文表明，LSTM 网络训练中对缺失值的内置处理为 RNN 在疾病进展建模中的应用铺平了道路。
引用
@article{arxiv.1808.05500,
title = {Robust training of recurrent neural networks to handle missing data for disease progression modeling},
author = {Mostafa Mehdipour Ghazi and Mads Nielsen and Akshay Pai and M. Jorge Cardoso and Marc Modat and Sebastien Ourselin and Lauge Sørensen},
journal= {arXiv preprint arXiv:1808.05500},
year = {2018}
}
备注
9 pages, 1 figure, MIDL conference