T-Phenotype：发现疾病进展中预测性时间模式的表型
机器学习
2023-02-27 v1 定量方法
摘要
医疗健康领域的时间序列数据聚类对于临床表型分析至关重要，有助于理解患者的疾病进展模式并设计针对同质患者亚组的诊疗指南。尽管丰富的时序动态使得超越静态相关性的潜在聚类发现成为可能，两个主要挑战依然突出：i) 从多变量时间序列数据的众多潜在时间相关性中发现预测性模式；ii) 将个体时间模式与最能刻画潜在临床进展的目标标签分布相关联。为应对这些挑战，我们提出了一种新颖的时间聚类方法 T-Phenotype，用于从带标签的时间序列数据中发现预测性时间模式的表型。我们引入了一种频域高效表示学习方法，可将变长、非均匀采样的时间序列编码到统一的表示空间中，随后利用一种基于路径相似性的新概念来识别可能对目标标签有贡献的多种时间模式。在合成与真实世界数据集上的实验中，我们表明 T-Phenotype 在所有评估基线中取得了最佳的表型发现性能。我们进一步通过揭示由独特时间模式刻画的临床有意义患者亚组，展示了 T-Phenotype 的效用。
引用
@article{arxiv.2302.12619,
title = {T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression},
author = {Yuchao Qin and Mihaela van der Schaar and Changhee Lee},
journal= {arXiv preprint arXiv:2302.12619},
year = {2023}
}