A hybrid adaptive approach for instance transfer learning with dynamic and imbalanced data.
A hybrid adaptive approach for instance transfer learning with dynamic and imbalanced data.
复制标题
DOI：
10.1002/int.23055
复制
发表时间：
2022-12
影响因子：
7
通讯作者：
Hu, Yong
中科院分区：
文献类型：
--
作者：
Zhang, Xiangzhou;Liu, Kang;Yuan, Borong;Wang, Hongnian;Chen, Shaoyong;Xue, Yunfei;Chen, Weiqi;Liu, Mei;Hu, Yong
关键词：
机器学习在复杂电子健康记录数据的临床风险预测建模中取得了成功。然而，随着时间的推移，临床实践的演变性质会动态改变基础数据分布，导致模型性能漂移。采用过时的模型存在潜在风险，并可能导致意外损失。在本文中，我们提出了一种新的混合自适应增强迁移学习方法（HA-Boost）。HA-Boost的特点是基于域相似性和基于类不平衡的适应机制，同时解决了经典TrAdaBoost算法的两个关键局限性。我们使用真实世界的纵向电子健康记录数据验证了HA-Boost在预测医院获得性急性肾损伤方面的作用。实验结果表明，在7年的时间跨度内，HA-Boost在AUROC和AUPRC方面都稳定地优于竞争基线。本研究证实了迁移学习作为动态环境下一种优越的模型更新方法的有效性。
Machine learning has demonstrated success in clinical risk prediction modeling with complex electronic health record data. However, the evolving nature of clinical practices can dynamically change the underlying data distribution over time, leading to model performance drift. Adopting an outdated model is potentially risky and may result in unintentional losses. In this paper, we propose a novel Hybrid Adaptive Boosting approach (HA-Boost) for transfer learning. HA-Boost is characterized by the domain similarity-based and class imbalance-based adaptation mechanisms, which simultaneously address two critical limitations of the classical TrAdaBoost algorithm. We validated HA-Boost in predicting hospital-acquired acute kidney injury using real-world longitudinal electronic health records data. The experiment results demonstrate that HA-Boost stably outperforms the competing baselines in terms of both AUROC and AUPRC across a 7-year time span. This study has confirmed the effectiveness of transfer learning as a superior model updating approach in dynamic environment.
登录
查看更多内容
影响因子：
16.6
作者：
Song X;Yu ASL;Kellum JA;Waitman LR;Matheny ME;Simpson SQ;Hu Y;Liu M
通讯作者：
Liu M
影响因子：
64.8
作者：
Tomasev, Nenad;Glorot, Xavier;Mohamed, Shakir
通讯作者：
Mohamed, Shakir
影响因子：
--
作者：
Rosenbloom, S T;Carroll, R J;Denny, J C
通讯作者：
Denny, J C
DOI：
10.1093/jamia/ocz127
发表时间：
2019-12-01
影响因子：
6.4
作者：
Davis, Sharon E.;Greevy, Robert A., Jr.;Matheny, Michael E.
通讯作者：
Matheny, Michael E.
影响因子：
7.7
作者：
Khadzhynov, Dmytro;Schmidt, Danilo;Schmidt-Ott, Kai M.
通讯作者：
Schmidt-Ott, Kai M.