用于疾病进展建模的外部记忆网络时间聚类
机器学习
2021-10-12 v2
摘要
疾病进展建模 (DPM) 涉及使用数学框架来定量测量特定疾病的进展严重程度。DPM 在许多方面都很有用，例如预测健康状态、分类疾病阶段以及评估患者的疾病轨迹等。最近，随着电子健康记录 (EHR) 的广泛可用性和数据驱动机器学习方法的广泛应用，DPM 备受关注，但仍存在两大挑战：(i) 由于 EHR 中存在不规则性、异质性和长期依赖性，大多数现有的 DPM 方法可能无法提供全面的患者表征。(ii) EHR 中的许多记录可能与目标疾病无关。大多数现有模型学习自动关注相关信息，而不是显式捕获与目标相关的事件，这可能使学习到的模型次优。为了解决这两个问题，我们提出了用于 DPM 的外部记忆网络时间聚类 (TC-EMNet)，将具有相似轨迹的患者分组以形成疾病聚类/阶段。TC-EMNet 使用变分自编码器 (VAE) 从输入数据中捕获内部复杂性，并利用外部记忆网络捕获长程距离信息，这两者都有助于产生全面的患者状态。最后，采用 k-means 算法对提取的全面患者状态进行聚类，以捕获疾病进展。在两个真实世界数据集上的实验表明，我们的模型与 SOTA 方法相比表现出具有竞争力的聚类性能，并且能够识别具有临床意义的聚类。提取的患者状态的可视化表明，所提出的模型能够生成比基线更好的患者状态。
引用
@article{arxiv.2109.14147,
title = {Temporal Clustering with External Memory Network for Disease Progression Modeling},
author = {Zicong Zhang and Changchang Yin and Ping Zhang},
journal= {arXiv preprint arXiv:2109.14147},
year = {2021}
}