结合以人为本解释的半监督图表示学习用于脂肪肝疾病预测
机器学习
2024-03-06 v1 人工智能
摘要
针对临床环境中标注数据有限的挑战，特别是在脂肪肝疾病预测方面，本研究探索了半监督学习框架下图表示学习的潜力。利用图神经网络（GNNs），我们的方法构建了受试者相似性图，以从健康检查数据中识别风险模式。即使仅有极少量的标注样本，也证明了各种 GNN 方法在此背景下的有效性。我们方法论的核心是通过可解释的 GNN 纳入以人为本的解释，提供个性化的特征重要性评分，以增强可解释性和临床相关性，从而突显了我们的方法在推动医疗实践方面的潜力，并重点关注图表示学习和以人为本的解释。
引用
@article{arxiv.2403.02786,
title = {Semi-Supervised Graph Representation Learning with Human-centric Explanation for Predicting Fatty Liver Disease},
author = {So Yeon Kim and Sehee Wang and Eun Kyung Choe},
journal= {arXiv preprint arXiv:2403.02786},
year = {2024}
}
备注
Paper accepted in Human-Centric Representation Learning workshop at AAAI 2024 (https://hcrl-workshop.github.io/2024/)