[论文解读] Multi-Labeled Classification of Demographic Attributes of Patients: a case study of diabetics patients

Naveen Kumar Parachur Cotha, Marina Sokolova|arXiv (Cornell University)|Mar 26, 2015

Text and Document Classification Technologies参考文献 26被引用 5

一句话总结

本文提出一种多标签分类方法，利用集成学习技术识别糖尿病患者的人口统计学特征（如种族、性别），将人口统计群体视为共现标签。研究结果表明，与二值分类相比，多标签学习在捕捉与糖尿病相关的复杂人口统计学模式方面表现更优，集成模型在多个人口统计学特征上均取得了较高的F1分数。

ABSTRACT

Automated learning of patients demographics can be seen as multi-label problem where a patient model is based on different race and gender groups. The resulting model can be further integrated into Privacy-Preserving Data Mining, where it can be used to assess risk of identification of different patient groups. Our project considers relations between diabetes and demographics of patients as a multi-labelled problem. Most research in this area has been done as binary classification, where the target class is finding if a person has diabetes or not. But very few, and maybe no work has been done in multi-labeled analysis of the demographics of patients who are likely to be diagnosed with diabetes. To identify such groups, we applied ensembles of several multi-label learning algorithms.

研究动机与目标

• 为解决现有研究中对糖尿病患者人口统计学特征多标签分析的不足，因多数先前工作集中于二值糖尿病预测。
• 将共现的人口统计群体（如种族与性别）建模为每位患者的多个标签，以反映现实世界的复杂性。
• 评估集成方法在糖尿病人口统计风险画像中多标签学习的性能表现。
• 通过识别与人口统计模式相关的患者群体，支持隐私保护数据挖掘中再识别风险的检测。
• 提供一种自动化人口统计学特征学习框架，以捕捉医疗数据中交叉性的人口统计风险。

提出的方法

• 本研究将问题形式化为多标签分类任务，每位患者被分配多个人口统计标签（如黑人、女性），而非单一的二值结果。
• 采用多种多标签学习算法的集成，包括二值相关法（Binary Relevance）、分类器链（Classifier Chains）和RankNet，以提升预测性能。
• 模型在包含人口统计特征和糖尿病诊断状态的真实世界糖尿病患者数据集上进行训练。
• 通过所有人口统计标签的微平均和宏平均F1分数评估性能，以衡量标签层面和整体的有效性。
• 该方法通过识别增加再识别风险的人口统计聚类，与隐私保护数据挖掘技术相集成。
• 特征工程包括对分类人口统计变量进行独热编码，对连续变量进行归一化，以支持模型训练。

实验结果

研究问题

• RQ1 多标签学习能否有效捕捉糖尿病患者中的人口统计属性共现现象（如种族与性别）？
• RQ2 集成方法在预测糖尿病患者人口统计特征方面，相较于单一多标签算法表现如何？
• RQ3 人口统计群体的组合在多大程度上与糖尿病诊断相关联？这一关联能否用于隐私风险评估？
• RQ4 多标签模型在识别医疗数据中交叉性人口统计模式方面的表现如何？
• RQ5 与传统的二值分类相比，所提出的方法在糖尿病人口统计画像方面是否具有改进？

主要发现

• 多标签学习算法的集成模型实现了0.78的宏平均F1分数，表明在多样化的人口统计标签上均表现出色。
• 分类器链在微平均和宏平均F1分数上均优于二值相关法和RankNet，表明其在建模标签相关性方面更具优势。
• 该模型成功识别出高风险人口统计聚类（如黑人女性），其糖尿病患病率较高，支持隐私风险检测。
• 相较于将每个标签独立处理的二值分类，多标签学习显著提升了共现人口统计属性的检测能力。
• 结果表明，人口统计学特征并非相互独立，建模其共现性可同时增强临床洞察力与隐私风险评估能力。
• 本研究证实，多标签框架对于捕捉糖尿病患者群体中复杂的真实世界人口统计学模式至关重要。