基于自监督学习的通用实验室进展预训练模型用于心血管事件检测
机器学习
2023-11-29 v4
摘要
患者数据的内在特性带来了若干挑战。常见病例因其患者量和持续随访而积累了大量纵向数据，然而纵向实验室数据以其不规则性、时间性、缺失性和稀疏性而著称；相比之下，罕见或特定病例的招募常因其有限的患者规模和偶发观测而受限。本研究采用自监督学习（SSL）预训练一个通用实验室进展（GLP）模型，该模型捕捉常见心血管病例中六种常见实验室标志物的总体进展，旨在迁移该知识以辅助特定心血管事件的检测。GLP 实施了两阶段训练方法，利用插值数据中的信息并放大 SSL 的性能。GLP 预训练后，将其迁移用于 TVR 检测。所提出的两阶段训练改善了纯 SSL 的性能，且 GLP 的迁移性表现出独特性。经 GLP 处理后，分类显著提升，平均准确率从 0.63 升至 0.90。所有评估指标均较先前 GLP 处理表现出显著优越性（p < 0.01）。我们的研究通过将心血管实验室参数的患者进展从一组患者迁移到另一组，超越了数据可用性的限制，有效地进行了转化工程。疾病进展的迁移性优化了检查与治疗策略，并在使用常规可用实验室参数的同时改善患者预后。将该方法扩展至涵盖其他疾病的潜力巨大。
引用
@article{arxiv.2303.06980,
title = {Self-supervised learning-based general laboratory progress pretrained model for cardiovascular event detection},
author = {Li-Chin Chen and Kuo-Hsuan Hung and Yi-Ju Tseng and Hsin-Yao Wang and Tse-Min Lu and Wei-Chieh Huang and Yu Tsao},
journal= {arXiv preprint arXiv:2303.06980},
year = {2023}
}
备注
published in IEEE Journal of Translational Engineering in Health & Medicine