UNITE：基于不确定性的多源数据健康风险预测模型
机器学习
2021-04-27 v2
摘要
成功的健康风险预测要求模型具备准确性与可靠性。现有预测模型主要依赖用先进深度学习技术挖掘电子健康记录（EHR）来提升模型精度。然而，它们都忽视了公开在线健康数据的重要性，尤其是各地区的社会经济地位、环境因素和详细人口统计信息，这些均为强预测信号，且必定能增强精准医疗。为实现模型可靠性，模型需提供准确的预测及其不确定性分数。但现有不确定性估计方法常难以处理多源数据中的高维数据。为弥补这一不足，我们提出基于不确定性的健康风险预测（UNITE）模型。基于自适应多模态深度核与随机变分推断模块，UNITE 利用多源健康数据（包括 EHR 数据、患者人口统计信息和从网络收集的公共健康数据）提供准确的疾病风险预测与不确定性估计。我们在真实世界疾病风险预测任务上评估 UNITE：非酒精性脂肪性肝病（NASH）与阿尔茨海默病（AD）。UNITE 在 AD 检测上 F1 分数达 0.841，在 NASH 检测上 PR-AUC 达 0.609，并以最高超出最佳基线 的优势优于多种 SOTA 基线。我们还展示 UNITE 能建模有意义的不确定性，并可通过聚类相似患者提供循证临床支持。
引用
@article{arxiv.2010.11389,
title = {UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data},
author = {Chacha Chen and Junjie Liang and Fenglong Ma and Lucas M. Glass and Jimeng Sun and Cao Xiao},
journal= {arXiv preprint arXiv:2010.11389},
year = {2021}
}