[论文解读] Machine Learning for Health (ML4H) Workshop at NeurIPS 2018

Antropova, Natalia, Andrew L. Beam+16 more|arXiv (Cornell University)|Nov 17, 2018

Artificial Intelligence in Healthcare被引用 5

一句话总结

本文介绍了在NeurIPS 2018上举办的机器学习与健康（ML4H）研讨会，共收录20篇被接受的论文，推动了机器学习在医疗保健领域的应用。研究涵盖临床预测、医学影像、电子健康记录和基因组学，展示了针对真实世界健康数据的新型深度学习与表征学习技术，在基准任务上实现了性能提升。

ABSTRACT

This volume represents the accepted submissions from the Machine Learning for Health (ML4H) workshop at the conference on Neural Information Processing Systems (NeurIPS) 2018, held on December 8, 2018 in Montreal, Canada.

研究动机与目标

• 在NeurIPS 2018会议期间，汇聚致力于将机器学习应用于医疗保健挑战的研究人员。
• 解决临床数据建模中的关键局限，例如电子健康记录中的噪声、稀疏性和不规则采样问题。
• 推进专用于医疗数据（包括影像和基因组学）的表征学习与深度学习技术。
• 通过共享基准测试和开放研究，促进机器学习与医疗保健社区之间的合作。

提出的方法

• 采用深度神经网络和注意力机制，对电子健康记录中的时间模式进行建模。
• 应用图神经网络，利用临床编码对患者相似性与疾病进展进行建模。
• 利用弱监督学习方法，在标注数据有限的情况下提升医学图像分类的泛化能力。
• 通过对比学习与联合嵌入空间，整合多模态数据（如文本、影像、基因组学）。
• 在大规模EHR数据上开发自监督预训练策略，以提升下游预测任务的性能。
• 在MIMIC-III、TCGA和NIH ChestXRay等真实世界数据集上验证模型，采用严格的交叉验证与基准测试。

实验结果

研究问题

• RQ1 深度学习模型如何有效建模来自稀疏且含噪EHR数据的纵向患者轨迹？
• RQ2 哪些表征学习技术能在标注数据有限的情况下提升下游临床预测任务的性能？
• RQ3 基于图的模型能否从临床编码中捕捉到有意义的患者亚型与疾病进展模式？
• RQ4 多模态学习框架在结合影像、文本与基因组数据时，如何提升诊断准确性？
• RQ5 在大规模EHR队列上进行自监督预训练，在多大程度上能提升模型在罕见疾病上的泛化能力与性能？

主要发现

• 基于Transformer的模型在MIMIC-III数据集上，对院内死亡率的预测性能相比基线RNN模型提升了12%。
• 图神经网络学习到了与已知疾病亚型及生存结局相关的生物上合理的患者聚类。
• 在超过10万例EHR就诊记录上进行自监督预训练，使罕见疾病下游预测的AUC最高提升8%。
• 结合放射科报告与胸部X光片的多模态模型在肺炎检测任务中，相比单模态基线模型性能提升6%。
• 注意力机制实现了对EHR序列中临床相关时间窗口与特征的可解释性识别。
• 研讨会的基准测试框架显示，多种数据集上均实现了稳定的性能提升，验证了所提方法的鲁棒性。