arXiv:1711.04126

Adversarial Training for Disease Prediction from Electronic Health Records with Missing Data

Uiwon Hwang, Sungwoon Choi, Han-Byoel Lee, Sungroh Yoon

제출 2017-11-11

원문 초록

Electronic health records (EHRs) have contributed to the computerization of patient records and can thus be used not only for efficient and systematic medical services, but also for research on biomedical data science. However, there are many missing values in EHRs when provided in matrix form, which is an important issue in many biomedical EHR applications. In this paper, we propose a two-stage framework that includes missing data imputation and disease prediction to address the missing data problem in EHRs. We compared the disease prediction performance of generative adversarial networks (GANs) and conventional learning algorithms in combination with missing data prediction methods. As a result, we obtained a level of accuracy of 0.9777, sensitivity of 0.9521, specificity of 0.9925, area under the receiver operating characteristic curve (AUC-ROC) of 0.9889, and F-score of 0.9688 with a stacked autoencoder as the missing data prediction method and an auxiliary classifier GAN (AC-GAN) as the disease prediction method. The comparison results show that a combination of a stacked autoencoder and an AC-GAN significantly outperforms other existing approaches. Our results suggest that the proposed framework is more robust for disease prediction from EHRs with missing data.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.06111v1eess.SY공통 태그 Prediction, Imputation

신뢰할 수 있는 산업 공정 추론을 위한 대규모 언어 모델 기반 측정 신뢰도 보정

LLM-Guided Measurement Credibility Correction for Trustworthy Industrial Process Inference

산업 예측과 소프트 센싱(soft sensing)은 신뢰할 수 있는 입력 측정값에 의존한다. 현장 배포 환경에서 예측기는 편향되거나, 지연되거나, 오래되었거나, 파생된 측정값을 수신할 수 있으며, 이러한 측정값들은 여전히 그럴듯하게 보일 수 있다. 입력 윈도우가 더 이상 실제 공정을 대표하지 않기 때문에, 예측 백본(forecasting backbone)이 주된 한계가 되기 전에 예측이 실패할 수 있다. 센서 재구성, 데이터 조정(data reconciliation), 결함 허용 소프트 센싱은 이 위험을 줄이지만, 이들은 종종 수치적 상관관계, 경보, 결함 레이블, 또는 명시적인 공정 방정식에 의존한다. 이러한 가정들이 항상 가용한 것은 아니다. 변수들이 계측기, 파생 수식, 소프트 센싱 체인, 또는 제어 동작을 공유하는 경우, 상관된 변수도 안전하지 않은 참조가 될 수 있다. 핵심 과제는 예측 전에 어떤 외부 측정값이 현재 측정값을 신뢰할 수 있게 뒷받침할 수 있는지를 결정하는 것이다. 이 문제를 해결하기 위해, 본 논문은 대규모 언어 모델(LLM) 기반 측정 신뢰도 보정(LLM-Guided Measurement Credibility Correction, MCC)을 제안한다. MCC는 공정 문서에 있는 측정값의 의미를 수치 모델이 활용할 수 있는 측정 의미론(measurement semantics)으로 변환한다. 의미론적으로 검증된 외부 측정값으로부터 독립적인 공정 참조값을 구축하고, 예측 전에 지역적 측정값 충돌을 보정한다. 따라서 예측기는 더 신뢰할 수 있는 입력 윈도우를 수신하게 된다. 여러 복잡한 산업용 예측 및 소프트 센싱 과제에 걸쳐, +MCC는 실제 테스트 프로토콜에서 평균 상대 MAE를 30.7%, 제어된 오염 프로토콜에서 80.3% 감소시킨다. 0.5~2.0k의 온라인 파라미터만 추가되며, 가장 느린 +MCC 추론 시간은 0.089 ms/스텝이다. 이러한 결과는 측정 의미론이 공정 문서를 경량의 추론 전 신뢰도 보정 수단으로 전환하고 예측 정확도를 향상시킬 수 있음을 보여준다.

arXiv:2607.02938v1cs.LG공통 태그 Prediction, Imputation

결측을 신호로: 임상 시계열 예측을 위한 채널 독립 스펙트로그램 학습

Missingness as Signal: Channel-Independent Spectrogram Learning for Clinical Time Series Prediction

집중치료실에서의 임상 시계열 예측은 이질적인 생리학적 변수와 정보적 결측(informative missingness)으로 인해 여전히 어려운 과제이다. 측정값의 존재 또는 부재는 임상적 의사결정과 환자 중증도를 반영할 수 있으며, 따라서 결측은 단순한 데이터 아티팩트가 아닌 예측 신호로 기능할 수 있다. 본 연구는 임상 다변량 시계열 예측을 위한 결측 스트림을 갖춘 채널 독립 스펙트로그램 프레임워크인 CISM을 제안한다. CISM은 각 임상 변수를 변수별 시간-주파수 스펙트로그램으로 변환하고, 변수 정렬 인코딩(variable-aligned encoding)을 통해 변수 정체성을 보존하며, 명시적 결측 스트림을 스펙트로그램 표현과 정렬한다. MIMIC-IV에서 도출된 원내 사망률 태스크에 대한 실험 결과, CISM은 비교 대상인 시계열, 결측 인식, 비전, 시간-주파수 기반선 중 가장 높은 평균 AUROC(0.7225), AUPRC(0.3308), F1(0.3808)을 달성하였다. ablation 연구에서는 관측 패턴이 의미 있는 정보 신호를 제공함을 추가로 보여준다. 픽셀 수준 마스크 주입(pixel-level mask injection)은 일반 스펙트로그램 입력 대비 성능을 향상시키며 이러한 예측 가치의 상당 부분을 회복한다. 정렬된 결측 스트림은 AUROC와 AUPRC 모두에서 추가적이고 보완적인 성능 향상에 기여한다. 이러한 결과는 임상 시계열 예측에서 관측 패턴을 구조화된 신호로 모델링하는 것의 중요성을 부각한다.

arXiv:2606.30398v1cs.AI공통 태그 Prediction, Imputation

ENC-ODE: 신경 ODE를 이용한 연속 시간에서의 이벤트 수준 신경퇴행 모델링

ENC-ODE: Event-level Neurodegenerative Modeling in Continuous Time with Neural ODEs

알츠하이머병과 같은 신경퇴행성 질환의 조기 진단 및 관리를 위해서는 임상 바이오마커의 시간적 변화를 정확하게 예측하는 것이 중요하다. 그러나 이는 시간에 따른 바이오마커 변화를 포착하기 위한 종단 데이터(longitudinal data)에 의존하는데, 높은 비용, 노동 집약적 특성, 환자 부담으로 인해 데이터가 희소하고 불규칙한 경우가 많다. 이러한 문제를 해결하기 위해, 우리는 신경 상미분방정식(Neural Ordinary Differential Equation)을 이용한 연속 시간 기반 이벤트 수준 신경퇴행 모델링인 ENC-ODE를 제안한다. ENC-ODE는 진단 조건부 연속 역학을 통해 임상 이벤트를 모델링함으로써 미래 바이오마커 변화를 예측한다. 타겟 조건부 어텐션 메커니즘은 이력 압축 없이 타겟 시간 및 모달리티에 대한 이벤트 수준 예측을 가중치 부여하고 집계한다. Alzheimer's Disease Neuroimaging Initiative (ADNI) 데이터셋에 대한 광범위한 실험을 통해, ENC-ODE가 대표적인 시퀀스 모델들을 능가하며 임상 지원을 위한 확장 가능하고 신경과학적으로 근거 있는 솔루션을 제공함을 입증하였다. 코드는 https://github.com/JardinDelSol/enc-ode 에서 확인할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.