训练对不完整数据鲁棒的循环神经网络：在阿尔茨海默病进展建模中的应用
计算机视觉与模式识别
2019-03-19 v1 机器学习
机器学习
摘要
使用纵向数据的疾病进展建模（DPM）是一项具有挑战性的机器学习任务。现有的 DPM 算法忽略测量值间的时间依赖关系，对生物标志物轨迹做参数化假设，不能联合建模多个生物标志物，且需要对受试者轨迹进行对齐。本文利用循环神经网络（RNNs）来解决这些问题。然而，在许多情况下，纵向队列包含不完整数据，这阻碍了标准 RNN 的应用，并需要诸如缺失值插补等预处理步骤。相反，我们针对最广泛使用的 RNN 架构——长短期记忆（LSTM）网络，提出了一种可处理缺失预测变量值与缺失目标值的广义训练规则。所提出的 LSTM 算法被应用于使用六个体积磁共振成像（MRI）生物标志物（即脑室、海马体、全脑、梭状回、中颞回和嗅皮层的体积）对阿尔茨海默病（AD）进展进行建模，并与带数据插补的标准 LSTM 网络以及基于参数回归的 DPM 方法进行比较。结果表明，在预测几乎所有 MRI 生物标志物的值时，所提算法使用 Wilcoxon 符号秩检验取得了显著更低的平均绝对误差（MAE）（p < 0.05）。此外，对预测生物标志物值应用线性判别分析（LDA）分类器，在 AD 临床诊断中产生了显著更大的 AUC：0.90 对比最高 0.84（使用 McNemar 检验，p < 0.001）。将 MAE 曲线作为缺失数据量的函数进行观察发现，所提 LSTM 算法在缺失值超过 74% 之前均取得最佳性能。最后，说明了该方法如何成功应用于具有可变时间间隔的数据。
引用
@article{arxiv.1903.07173,
title = {Training recurrent neural networks robust to incomplete data: application to Alzheimer's disease progression modeling},
author = {Mostafa Mehdipour Ghazi and Mads Nielsen and Akshay Pai and M. Jorge Cardoso and Marc Modat and Sebastien Ourselin and Lauge Sørensen},
journal= {arXiv preprint arXiv:1903.07173},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1808.05500