Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Khám Phá Phương Pháp Học Đại Diện Không Giám Sát Cho Chuỗi Thời Gian Đa Biến Trong Chẩn Đoán Bệnh Mãn Tính
Tóm tắt
Việc ứng dụng các cảm biến khác nhau trong bệnh viện đã cho phép sử dụng rộng rãi các tín hiệu chuỗi thời gian đa biến trong chẩn đoán bệnh mãn tính trong thế giới dựa trên dữ liệu. Thách thức chính là cách mô hình hóa các mối tương quan tạm thời (đường thẳng và phi tuyến) phức tạp giữa nhiều biến dài hạn. Do sự khan hiếm nhãn trong thực tế, phương pháp học không giám sát đã trở nên thiết yếu. Tuy nhiên, các phương pháp tiên tiến chủ yếu tập trung vào việc trích xuất mạng kết nối đặc trưng được gây ra bởi tương quan tuyến tính, ví dụ, tương quan Pearson, tương quan một phần, v.v. Để đạt được điều này, trong chẩn đoán bệnh mãn tính (ví dụ, bệnh Parkinson), một phương pháp học đại diện không giám sát được thiết kế lần đầu tiên nhằm thu được các tín hiệu thông tin có nhận thức về mối tương quan từ dữ liệu chuỗi thời gian đa biến. Cốt lõi của phương pháp là một khung học đối kháng với bộ mã hóa mạng nơ-ron đồ thị (GNN) để nắm bắt mối tương quan giữa các biến dài hạn và mối tương quan trong các biến đó. Sau đó, các đại diện được học trước đó được gửi đến một mạng nơ-ron kết nối đầy đủ đơn giản, có thể được huấn luyện bằng cách sử dụng ít nhãn hơn so với các mô hình học giám sát phức tạp theo kiểu end-to-end. Hơn nữa, để hỗ trợ quá trình ra quyết định trong nhiệm vụ phát hiện bệnh mãn tính có nguy cơ cao, việc định lượng sự không chắc chắn của mô hình được cho phép theo lý thuyết bằng chứng. Kết quả thực nghiệm trên hai bộ dữ liệu Parkinson công khai cho thấy sức mạnh diễn đạt của các nhúng đã học, và bộ phân loại nhẹ cuối cùng đạt hiệu suất tốt nhất.
Từ khóa
#bệnh mãn tính #chẩn đoán #chuỗi thời gian đa biến #học không giám sát #mạng nơ-ron đồ thịTài liệu tham khảo
Killin, L., Starr, J., Shiue, I., Russ, T.: Environmental risk factors for dementia: a systematic review. BMC Geriatr. 1, 175 (2016)
Thomson, R.: Disease briefing: Parkinson’s disease. J. Int. Pharm. Res. 3, 338–345 (2015)
Futoma, J., Sendak, M., Cameron, B.: Predicting disease progression with a model for multivariate longitudinal clinical data. Proc. Mach. Learn. Res. 56, 42–54 (2016)
Shen, X., Finn, E.S., Scheinost. D., Rosenberg, M.D., Chun, M.M., Pa-pademetris, X., Constable, R.T.: Using connectome-based predictive modeling to predict individual behavior from brain connectivity, nature protocols, vol. 12(3), p. 506 (2017).
Yu, R., Qiao, L., Chen, M., Lee, S.W., Fei, X., Shen, D.: Weighted graph regularized sparse brain network construction for mci identification. Pattern Recogn. 90, 220–231 (2019)
Huang, H., Liu, X., Jin, Y., Lee, S.W., Wee, C.Y., Shen, D.: Enhancing the representation of functional connectivity networks by fusing multi-view information for autism spectrum disorder diagnosis. Hum. Brain Mapp. 40(3), 833–854 (2019)
Qu, Y., Liu, C.R., Zhang, K., Xiao K., Jin, B., Xiong, H.: Diagnostic sparse connectivity networks with regularization template. IEEE Trans. Knowl. Data Eng. (TKDE) (2021).
Jin, B., Cheng, K., Qu, Y., Zhang, L., Xiao, K.L., Lu, X.J., Wei, X.P.: Fast sparse connectivity network adaption via meta-learning. In: ICDM’20. pp.232–241(2020).
Wu, Z., Pan, S., Long, G.: Connecting the dots: multivariate time series forecasting with graph neural networks. In: ACM’20 (2020).
Zhang, X., Gao, Y., Lin, J., Lu, C.T.: Tap-net: multivariate time series classification with attentional prototypical network. In: AAAI’20, pp. 6845–6852 (2020).
Shokoohi, M., Wang, J., Keogh, E.: On the non-trivial generalization of dynamic time warping to the multi-dimensional case. In: Proceedings of the 2015 SIAM International Conference on Data Mining, pp. 289–297 (2015).
Karim, F., Majumdar, S., Darabi, H., Harford, S.: Multivariate LSTM-FCNs for time series classification. Neural Netw. 116, 237–245 (2019)
Jin, B., Qu, Y., Zhang, L., Gao, Z.: Diagnosing Parkinson disease through facial expression recognition: video analysis. J. Med. Internet Res. (2020). https://doi.org/10.2196/18697
Bandini, A., Orlandi, S., Escalante, H.J., Giovannelli. F., Cincotta, M., Reyes C.A.: Analysis of facial expressions in Parkinson's disease through video-based automatic methods. J. Neurosci. Methods (2017). https://doi.org/10.1016/j.jneumeth.2017.02.006
Rajnoha, M., Mekyska, J., Burget, R., Eliasova, I., Kostalova, M., Rektorova, I.: Towards identification of hypomimia in Parkinson's disease based on face recognition methods. In: 10th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT) (2018). pp. 1–4. https://doi.org/10.1109/ICUMT.2018.8631249
Dustin. T., Mike, D., Mark, V.D., Danijar, H.: Bayesian layers: a module for neural network uncertainty. In: Advances in Neural Information Processing Systems, pp. 14660–14672 (2019)
Murat, S., Lance, K., Melih, K.: Evidential deep learning to quantify classification uncertainty. In: Advances in Neural Information Processing Systems 31, pp. 3179–3189 (2018).
Goh, K.I., Cusick, M.E., Valle, D., Childs, B., Vidal, M., Barabási, A.: The human disease network. In: Proceedings of the National Academy of Sciences(PNAS), vol. 104, no. 21, pp. 8685–8690 (2007)
Wang, K., Liang, M., Wang, L., Tian, L., Zhang, X., Li, K., Jiang, T.: Altered functional connectivity in early alzheimer’s disease: a resting-state fmri study. Hum. Brain Mapp. 28(10), 967–978 (2007)
Banerjee, O., Ghaoui, L.E., Aspremont, A., Natsoulis, G.: Convex optimization techniques for fitting sparse Gaussian graphical models. In: Proceedings of the 23rd International Conference on Machine Learning (ICML). ACM, pp. 89–96 (2006).
Lee, H., Lee, D.S., Kang, H., Kim, B., Chung, M.K.: Sparse brain network recovery under compressed sensing. IEEE Trans. Med. Imaging 30(5), 1154–1165 (2011)
Candès, E.J., Wakin, M.B.: An introduction to compressive sampling, In: IEEE Signal Processing Magazine, vol. 25, no. 2, pp. 21–30 (2008)
Lei, Q., Yi, J., Vaculin, R.: Similarity preserving representation learning for time series clustering. In: International Joint Conferences on Artificial Intelligence Organization, pp. 2845–2851 (2017)
Malhotra, P., Tv, V., Vig, L.: TimeNet: pre-trained deep recurrent neural network for time series classification. In: 25th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (2017)
Franceschi, J.Y.: Unsupervised Scalable representation learning for multivariate time series. In: Thirty Third Conference on Neural Information Processing Systems, vol. 32, pp. 4650–4661 (2019)
Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., Yu, P.S.: A comprehensive survey on graph neural networks. In: IEEE Transactions on Neural Networks and Learning Systems (2019).
Scarselli, F., Gori, M., Tsoi, C.A., Hagenbuchner, M., Monfardini, G.: The graph neural network model. IEEE Trans. Neural Netw. 20(1), 61 (2009)
Wu, Z., Pan, S., Long, G., Jiang, J., Chang, X., Zhang, C.: Connecting the dots: multivariate time series forecasting with graph neural networks. In: The 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. KDD, pp. 753–763 (2020)
Spadondesouza, G., Hong, S., Brandoli, B.: Pay attention to evolution: time series forecasting with deep graph-evolution learning. IEEE Trans. Pattern Anal. Mach. Intell. (2021)
Du, J., Zhang, S.H., Wu, G.H., Moura, J., Kar, S.: Topology adaptive graph convolutional networks. In: International Conference on Learning Representations. ICLR (2018)
Yikuan, L., Shishir, R., Abdelaali, H., Rema, R., Zhu, Y.J., Dexter C., Gholamreza S., Thomas L., Kazem, R.: Deep Bayesian Gaussian Processes for Uncertainty Estimation in Electronic Health Records (2020). arXiv preprint arXiv:2003.10170
Zhang, C., Bütepage, J., Kjellström, H., Mandt, S.: Advances in variational inference. IEEE Trans. Pattern Anal. Mach. Intell. 41, 2008–2026 (2019)
Sakar, B.E., Isenkul, M.E., Sakar, C.O., Sertbas, A., Gürgen, F.S., Delil, S., Apaydin, H., Kursun, O.: Collection and analysis of a parkinson speech dataset with multiple types of sound recordings. IEEE J. Biomed. Health Inform. 17, 828–834 (2013)
Dempster, A.P.: A generalization of Bayesian inference. In: Classic Works of the Dempster–Shafer Theory of Belief Functions. Springer, pp. 73–104 (2008).
Josang, A.: Subjective Logic: A Formalism for Reasoning Under Uncertainty. Springer, Berlin (2016)
Kotz, S., Balakrishnan, N., Johnson, N.L.: Continuous Multivariate Distributions. Wiley, New York (2000)
Maaten, L.V., Hinton, G.: Visualizing data using t-SNE. J. Mach. Learn. Res. 9, 2579–2605 (2008)
Goodfellow, I. J., Shlens, J., Szegedy, C.: Explaining and harnessing adversarial examples. Comput. Sci. (2014)
Szegedy, C., Liu, W., Jia, Y. Q.: Going deeper with convolutions. In: Conference on Computer Vision and Pattern Recognition. CVPR (2015)
Sensoy, M., Kaplan, L., Kandemir, M.: Evidential deep learning to quantify classification uncertainty, In: Advances in Neural Information Processing Systems (2018)
Wang, G.F., Cao, L.B., Zhao, H.K., Liu, Q., Chen, E.H.: Coupling macro-sector-micro financial indicators for learning stock representations with less uncertainty. In The 35th AAAI Conference on Artificial Intelligence. pp. 4418–4426 (2021)
Sakar, B.E., Isenkul, M.E., Sakar, C.O., Sertbas, O., et al.: Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings. IEEE J. Biomed. Health Inform. 17(4), 828–834 (2013)
Little, M.A.P.E., McSharry, E.J., Spielman, H.J., Ramig, L.O.: Suitability of dysphonia measurements for telemonitoring of Parkinson’s disease. IEEE Trans. Biomed. Eng. 56(4), 1010–1022 (2009)
Sakar, C.O., Kursun, O.: Telediagnosis of Parkinson’s disease using measurements of dysphonia. J. Med. Syst. 34(4), 591–599 (2010)