• 1. 浙江大学 生物医学工程与仪器科学学院(杭州 310027);
  • 2. 浙江医院 重症医学科(杭州 310013);
导出 下载 收藏 扫码 引用

针对临床上重症疾病样本数量少容易导致预后模型过拟合、预测误差大、不稳定的问题,本文提出迁移长短时程记忆算法(transLSTM)。该算法基于迁移学习思想,利用疾病间的相关性实现不同疾病预后模型的信息迁移,借助相关疾病的大数据辅助构建小样本目标病种有效模型,提升模型预测性能,降低对目标训练样本量的要求。transLSTM 算法先利用相关疾病数据预训练部分模型参数,再用目标训练样本进一步调整整个网络。基于 MIMIC-Ⅲ数据库的测试结果显示,相比传统的 LSTM 分类算法,transLSTM 算法的 AUROC 指标高出 0.02~0.07,AUPRC 指标超过 0.05~0.14,训练迭代次数仅为传统算法的 39%~64%。应用于脓毒症疾病的结果显示,仅 100 个训练样本的 transLSTM 模型死亡率预测性能与 250 个训练样本的传统模型相当。在小样本情况下,transLSTM 算法预测精度更高、训练速度更快,具有显著优势。它实现了迁移学习在小样本重症疾病预后模型中的应用。

引用本文: 夏静, 潘素, 颜默磊, 蔡国龙, 严静, 宁钢民. 基于迁移学习的小样本重症疾病预后模型. 生物医学工程学杂志, 2020, 37(1): 1-9. doi: 10.7507/1001-5515.201905074 复制

  • 下一篇

    基于深度学习和组织形态分析的肺癌基因突变预测