SparGE：基于稀疏编码与低秩约束及图嵌入的患者相似性学习
机器学习
2022-02-04 v1
摘要
患者相似性评估（PSA）对于基于证据和个性化的医疗至关重要，其通过分析日益可用的电子健康记录（EHR）得以实现。然而，用于PSA的机器学习方法必须应对EHR固有的数据缺陷，即缺失值、噪声和小样本量。本工作提出一种端到端的判别学习框架SparGE，以解决EHR用于PSA时的这些数据挑战。SparGE通过联合稀疏编码与图嵌入来度量相似性。首先，我们使用低秩约束的稀疏编码来识别相似患者并计算其权重，同时针对缺失值进行去噪。然后，采用稀疏表示上的图嵌入，通过保持由距离定义的局部关系来度量患者对之间的相似性。最后，构建全局代价函数以优化相关参数。在两个私有和公开的真实医疗数据集（即SingHEART和MIMIC-III）上的实验结果表明，所提出的SparGE显著优于其他机器学习患者相似性方法。
引用
@article{arxiv.2202.01427,
title = {SparGE: Sparse Coding-based Patient Similarity Learning via Low-rank Constraints and Graph Embedding},
author = {Xian Wei and See Kiong Ng and Tongtong Zhang and Yingjie Liu},
journal= {arXiv preprint arXiv:2202.01427},
year = {2022}
}