自主监督的基于学习的一般实验室进展预训练模型用于心血管事件检测

科学领域:

• 机器学习在医疗保健中的应用.
• 生物医学数据分析
• 翻译性的生物信息学

背景情况:

• 在疾病护理中的患者数据带来了诸如数据不规则性和稀疏性等挑战,特别是在纵向研究中.
• 罕见疾病病例通常具有有限的患者数据和情节性观察,阻碍了预测建模.
• 机器学习 (ML) 提供了利用患者数据的潜力,但需要强大的模型来处理数据的复杂性.

研究的目的:

• 为心血管 (CV) 实验室标志物开发一种使用自我监督学习 (SSL) 的通用实验室进度 (GLP) 模型.
• 从GLP模型中转移知识,对流行CV病例进行培训,以帮助检测特定的CV事件.
• 通过知识转移,克服罕见或特定疾病病例的数据限制.

主要方法:

• 采用GLP模型的两阶段培训方法,结合插入数据以提高SSL性能.
• 利用自主监督学习 (SSL) 预训练GLP模型在流行心血管病例中的六个常见实验室标记.
• 转移了预训练的GLP模型,用于目标血管再血管化 (TVR) 检测的具体任务.

主要成果:

• 两阶段的培训方法在纯SSL性能上显著改善.
• 一般化实验室进度 (GLP) 模型显示出强大的下游任务的可转移性.
• 在GLP处理后,心血管事件检测的分类准确性从0.63提高到0.90,在所有指标上都有明显的优势.

结论:

• 该研究成功地通过在队列之间传输患者进展数据来证明翻译工程.
• 疾病进展模型的可转移性优化了检查和治疗策略,改善了患者的预后.
• 这种方法有望应用于其他疾病,提高使用常见实验室参数的诊断和预后能力.