基于标签噪声鲁棒学习的疾病风险预测
疾病风险预测能够筛查易患人群,并在早期进行预防干预措施以降低疾病的发生率及死亡率.随着机器学习技术的快速发展,基于机器学习的疾病风险预测得到了广泛应用.然而,机器学习十分依赖于高质量的标注信息,医疗数据中存在的标签噪声会给构建高性能的疾病风险预测算法带来严峻挑战.针对这一问题,本文提出了一种基于深度神经网络和动态截断损失函数的噪声鲁棒学习方法用于疾病风险预测.该方法引入动态截断损失函数,融合了传统交叉熵函数的隐式加权特性和均方差损失函数的标签噪声鲁棒性;通过构造训练损失下界,并引入样本动态加权机制减小可疑样本的梯度,限制可能的带噪样本在训练过程中的权重,进一步增强模型的鲁棒性.以脑卒中筛查数据集为例进行实验,结果表明本文算法在各个标签噪声比例下均能取得良好的预测性能,可降低疾病风险预测中标签噪声的负面影响,实现了带有标签噪声数据的鲁棒学习.
标签噪声、鲁棒学习、疾病风险预测、深度学习
32
TP391.41;R743.3;TN912.34
山西省重点研发计划202102020101009
2023-10-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
184-191