可解释的人工智能和域调整用于用图形神经网络预测艾滋病毒感染
Evan Yu1, Jingcheng Du1, Yang Xiang1
1School of Biomedical Informatics, The University of Texas Health Science Center at Houston, Houston, TX, USA.
Annals of medicine
|October 17, 2024
概括
图表注意力网络 (GAT) 模型有效地使用社交网络数据预测艾滋病毒感染. 域调整提高了模型的可转移性,改善了跨不同人群的HIV风险预测.
科学领域:
- 计算流行病学计算流行病学
- 网络科学 网络科学
- 机器学习是机器学习.
背景情况:
- 艾滋病毒仍然是一个重大的公共卫生问题,特别是在年轻的性少数民族男性中.
- 社交网络分析提供了对艾滋病毒传播动态的见解.
- 使用复杂网络数据进行预测建模,由于稀疏性和异质性,存在挑战.
研究的目的:
- 研究可解释的深度学习方法,特别是图形神经网络 (GNN),用于预测艾滋病毒感染.
- 通过域调整评估这些模型在不同数据集中的可转移性.
- 确定与艾滋病毒风险相关的关键网络特征.
主要方法:
- 利用了来自芝加哥和休斯顿两组年轻的性少数男性 (SMM) 的网络数据.
- 使用图表注意力网络 (GAT) 模型进行预测和GNNExplainer用于特征重要性.
- 实现域调整,以评估在城市数据集之间转移时的模型性能.
主要成果:
- 与单个城市培训相比,域调整提高了GAT模型预测准确度.
- 功能重要性分析显示,不同城市的风险指标一致.
- 通过利用社交网络信息,GAT模型展示了预测艾滋病毒感染的潜力.
结论:
- 图表注意力网络模型可以有效地解决艾滋病毒研究中的数据稀疏性.
- 这些模型为预测个人艾滋病毒风险提供了强有力的方法.
- 域名适应增强了GNN的通用性,以了解艾滋病毒传播模式.
