合成特征对齐和类别意识的电子医疗记录,用于内动脉瘤断裂预测

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 计算生物学 计算生物学

背景情况:

• 准确预测内动脉瘤 (IA) 破裂对于患者的治疗和管理至关重要.
• 现有的机器学习 (ML) 模型使用电子医疗记录 (EMR) 来预测IA破裂,但由于数据稀缺和类不平衡而受到阻碍.

研究的目的:

• 引入一种新的数据合成方法,即基于变压器的条件GAN (TransCGAN),用于生成真实且对类别有意识的EMR.
• 通过克服数据限制,提高IA断裂预测模型的性能.

主要方法:

• 整合变压器架构到生成对抗网络 (GAN) 中,以捕捉临床因素中的远程依赖.
• 引入了统计损失,以确保合成数据的分布一致性 (平均值和方差).
• 整合了一个有条件模块,将类别分配给合成数据,解决类不平衡.

主要成果:

• TransCGAN成功地合成了高质量的,对类别有意识的EMR,在与原始数据合并时创建了一个平衡的数据集.
• 用TransCGAN生成的数据进行训练的分类器实现了0.89.8的曲线下的面积 (AUC).
• 拟议的方法在F1评分中比最先进的重新采样技术性能优于5 - 33%.

结论:

• 跨CGAN有效地解决了IA断裂预测EMR数据稀缺和不平衡的问题.
• 合成的数据显著提高了预测模型的性能.
• 这种方法为增强神经血管护理中的临床决策支持系统提供了一个有希望的解决方案.