在医学诊断中,对不可逆型疾病(如视盘萎缩症)进行时间序列的疾病预测非常重要,对未来疾病发展的预测可以帮助患者进行提前干预,对于疾病的有效控制有很大的意义。

但是这类预测目前存在两个大问题。首先,目前的很多时间序列疾病预测的方法都是提取所有的时序图像特征来进行未来疾病的预测。然而图像中通常存在很多与该类疾病无关的信息或特征,当加入这些疾病无关的信息进行训练时,会引入伪相关关系,即它们本身与疾病无关,但训练时使用它们参与了疾病的预测,引入了统计上的相关关系。当模型使用这些伪相关的信息对新的分布下测试集的样本进行疾病预测时,很容易导致失败。其次,很多时间序列的预测方法建立在时序标签完整的情况下。然而由于医学标签标注成本高昂,实际情况下很多时候过去时间步的疾病标签是缺乏的,标签的缺乏也给未来阶段的疾病预测带来了很大的挑战。

针对时间序列疾病预测的问题,提出了因果隐马尔可夫模型描述疾病的动态发展过程,并使用基于 VAE 的变分框架进行学习。通过对图像隐空间进行解耦,去除疾病无关因子与疾病预测的伪相关关系,从而提高预测的准确率和鲁棒性。

成为VIP会员查看完整内容
58

相关内容

【NYU-WESLEY MADDOX】贝叶斯神经网络教程,83页ppt
专知会员服务
57+阅读 · 2021年4月15日
英国杜伦大学「深度生成建模」大综述论文,21页pdf
专知会员服务
48+阅读 · 2021年3月16日
专知会员服务
27+阅读 · 2021年2月19日
专知会员服务
138+阅读 · 2021年2月3日
专知会员服务
19+阅读 · 2021年1月7日
最新《时序数据分析》书稿,512页pdf
专知会员服务
109+阅读 · 2020年12月25日
专知会员服务
214+阅读 · 2020年12月15日
【NeurIPS 2020】基于因果干预的小样本学习
专知会员服务
66+阅读 · 2020年10月6日
WSDM 2020教程《深度贝叶斯数据挖掘》,附257页PPT下载
专知会员服务
153+阅读 · 2020年2月7日
【华侨大学】基于混合深度学习算法的疾病预测模型
专知会员服务
96+阅读 · 2020年1月21日
使用GAN生成序列数据
专知
7+阅读 · 2020年7月4日
综述 | 图像配准 Image registration
计算机视觉life
18+阅读 · 2019年9月12日
论文浅尝 | 时序与因果关系联合推理
开放知识图谱
33+阅读 · 2019年6月23日
R语言之数据分析高级方法「时间序列」
R语言中文社区
17+阅读 · 2018年4月24日
基于机器学习的磁盘故障预测
运维帮
6+阅读 · 2017年8月10日
量子世界的因果关系
中国物理学会期刊网
8+阅读 · 2017年8月5日
回归预测&时间序列预测
GBASE数据工程部数据团队
43+阅读 · 2017年5月17日
Arxiv
1+阅读 · 2021年6月1日
Arxiv
7+阅读 · 2018年1月21日
VIP会员
相关VIP内容
【NYU-WESLEY MADDOX】贝叶斯神经网络教程,83页ppt
专知会员服务
57+阅读 · 2021年4月15日
英国杜伦大学「深度生成建模」大综述论文,21页pdf
专知会员服务
48+阅读 · 2021年3月16日
专知会员服务
27+阅读 · 2021年2月19日
专知会员服务
138+阅读 · 2021年2月3日
专知会员服务
19+阅读 · 2021年1月7日
最新《时序数据分析》书稿,512页pdf
专知会员服务
109+阅读 · 2020年12月25日
专知会员服务
214+阅读 · 2020年12月15日
【NeurIPS 2020】基于因果干预的小样本学习
专知会员服务
66+阅读 · 2020年10月6日
WSDM 2020教程《深度贝叶斯数据挖掘》,附257页PPT下载
专知会员服务
153+阅读 · 2020年2月7日
【华侨大学】基于混合深度学习算法的疾病预测模型
专知会员服务
96+阅读 · 2020年1月21日
相关资讯
使用GAN生成序列数据
专知
7+阅读 · 2020年7月4日
综述 | 图像配准 Image registration
计算机视觉life
18+阅读 · 2019年9月12日
论文浅尝 | 时序与因果关系联合推理
开放知识图谱
33+阅读 · 2019年6月23日
R语言之数据分析高级方法「时间序列」
R语言中文社区
17+阅读 · 2018年4月24日
基于机器学习的磁盘故障预测
运维帮
6+阅读 · 2017年8月10日
量子世界的因果关系
中国物理学会期刊网
8+阅读 · 2017年8月5日
回归预测&时间序列预测
GBASE数据工程部数据团队
43+阅读 · 2017年5月17日
微信扫码咨询专知VIP会员