ShortFuse：存在结构化信息时的生物医学时间序列表示
机器学习
2017-05-17 v2
摘要
在医疗应用中，编码运动、健康状况和患者纵向演变的时间变量通常伴随有丰富的结构化信息，如人口统计学、诊断和医学检查数据。然而，当前方法在特征提取过程中并未对结构化协变量和时间序列进行联合优化。我们提出ShortFuse，一种通过显式建模与时间结构化协变量的时间交互和依赖关系来提升时间序列深度学习模型精度的方法。ShortFuse引入了混合卷积和LSTM单元，通过跨时间域共享的权重将协变量纳入其中。ShortFuse在两个生物医学应用上以3%的优势超越竞争模型：预测骨关节炎相关软骨退变和预测脑瘫患者的手术结果，其精度匹配或超过了使用领域专家设计特征的模型。
引用
@article{arxiv.1705.04790,
title = {ShortFuse: Biomedical Time Series Representations in the Presence of Structured Information},
author = {Madalina Fiterau and Suvrat Bhooshan and Jason Fries and Charles Bournhonesque and Jennifer Hicks and Eni Halilaj and Christopher Ré and Scott Delp},
journal= {arXiv preprint arXiv:1705.04790},
year = {2017}
}
备注
Manuscript under review for the Machine Learning in Healthcare Conference, 2017 (www.mucmd.org). 15 pages, 4 figures, 3 tables