基于潜在时序过程的半监督生成模型用于疾病轨迹分析：系统性肌纤维化病案研究
机器学习
2024-08-09 v2 机器学习
摘要
我们提出一种基于潜时序过程的深度生成方法，用于建模和全面分析复杂疾病轨迹，特别关注系统性肌纤维化（SSc）。我们的目标是学习解释观察到的患者疾病轨迹的潜在生成过程的时序潜表征，这些表征在可解释性和全面性方面均具有优势。为增强这些潜时序过程的可解释性，我们发展了一种半监督方法，用于利用既定医学知识对潜在空间进行解耦。通过将生成方法与SSc不同特征的医学定义相结合，我们促进了对该疾病新方面的发现。我们展示，所学的时序潜过程可用于进一步的数据分析和临床假设测试，包括寻找相似患者和将SSc患者轨迹聚类为新亚型。此外，我们的方法实现了基于不确定性定量的多变量时间序列的个体化在线监测和预测。
引用
@article{arxiv.2407.11427,
title = {Semi-Supervised Generative Models for Disease Trajectories: A Case Study on Systemic Sclerosis},
author = {Cécile Trottet and Manuel Schürch and Ahmed Allam and Imon Barua and Liubov Petelytska and David Launay and Paolo Airò and Radim Bečvář and Christopher Denton and Mislav Radic and Oliver Distler and Anna-Maria Hoffmann-Vold and Michael Krauthammer and the EUSTAR collaborators},
journal= {arXiv preprint arXiv:2407.11427},
year = {2024}
}
备注
Accepted at Machine Learning for Healthcare 2024. arXiv admin note: substantial text overlap with arXiv:2311.08149