LaTiM: Longitudinal representation learning in continuous-time models to predict disease progression

要約

この研究は、時間認識神経常微分方程式 (NODE) を使用して疾患の進行を分析するための新しいフレームワークを提案します。
自己教師あり学習 (SSL) を通じて訓練されたフレームワークに「時間認識ヘッド」を導入し、潜在空間の時間情報をデータ拡張に活用します。
このアプローチは NODE を SSL と効果的に統合し、明示的な時間統合を欠く従来の方法と比較して大幅なパフォーマンスの向上をもたらします。
私たちは、OPHDIAT データベースを使用して、糖尿病性網膜症の進行予測に対する戦略の有効性を実証します。
ベースラインと比較して、すべての NODE アーキテクチャは ROC 曲線下面積 (AUC) と Kappa メトリクスにおいて統計的に有意な改善を達成しており、SSL をヒントにしたアプローチによる事前トレーニングの有効性が強調されています。
さらに、私たちのフレームワークは、時間認識モデリングでよく遭遇する課題である NODE の安定したトレーニングを促進します。

要約(オリジナル)

This work proposes a novel framework for analyzing disease progression using time-aware neural ordinary differential equations (NODE). We introduce a ‘time-aware head’ in a framework trained through self-supervised learning (SSL) to leverage temporal information in latent space for data augmentation. This approach effectively integrates NODEs with SSL, offering significant performance improvements compared to traditional methods that lack explicit temporal integration. We demonstrate the effectiveness of our strategy for diabetic retinopathy progression prediction using the OPHDIAT database. Compared to the baseline, all NODE architectures achieve statistically significant improvements in area under the ROC curve (AUC) and Kappa metrics, highlighting the efficacy of pre-training with SSL-inspired approaches. Additionally, our framework promotes stable training for NODEs, a commonly encountered challenge in time-aware modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google