通过时间生成对抗网络对电子医疗记录进行归算
Yunfei Yin1, Zheng Yuan2, Islam Md Tanvir2
1College of Computer Science, Chongqing University, Chongqing, 400044, China. yinyunfei@cqu.edu.cn.
BioData mining
|June 26, 2024
概括
这项研究介绍了UGAN-GRUD,这是一个改进的方法来填补缺少的电子医疗记录数据. UGAN-GRUD显著提高了归算准确性,特别是在缺失率高的数据集中.
科学领域:
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 电子医疗记录的丢失阻碍了生物医学数据分析.
- 目前的生成对抗网络 (GAN) 方法在高缺失数据率下扎.
研究的目的:
- 提高电子医疗记录的归算准确度,因为电子医疗记录的丢失率很高.
- 开发一种新的方法来解决数据归算中的GAN限制.
主要方法:
- 拟议的UGAN-GRUD,结合了不确定性生成对抗网络 (UGAN) 和门反复单位衰减 (GRUD).
- UGAN学习数据分布和不确定性;GRUD使用时间衰减来补偿时间关系.
- 设计并集成UGAN和GRUD网络.
主要成果:
- 在公共生物医学数据集上,UGAN-GRUD在最先进的方法上表现出优越的性能.
- 在根平均平方误差 (RMSE) 和平均绝对百分比误差 (MAPE) 中获得了13%的平均改善.
结论:
- 乌干格鲁德有效地解决了指责丢失的电子医疗记录数据的挑战.
- 拟议的方法为生物医学数据完整性和应用提供了显著的进步.
更多相关视频
09:29Preparation and Implantation of Electrodes for Electrically Kindling VGAT-Cre Mice to Generate a Model for Temporal Lobe Epilepsy
Published on: August 17, 2021
2.4K
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
543
