.png){kind=icon}
.png){kind=icon}
返回
Integrating Hierarchical Structures in Medical Data Classification:A Kernel-Based Method
.png){kind=icon}
OA
AI
DOI：10.29020/nybg.ejpam.v19i1.5825.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
医学诊断系统通常依赖于在医患访谈期间收集的结构化信息。这些数据自然遵循层级组织，其中一般性问题后接更具体的子问题。这种结构应明确纳入分类算法中使用的相似度度量中，因为它反映了症状之间的依赖关系并贡献了重要的诊断信息。本研究中，我们引入了一个核函数，同时考虑了（i）连接主问题与其下属项目的层级结构以及（ii）子变量之间的交互。该核函数被整合到pgpDA分类框架中，使该方法能够嵌入关于变量如何组织和症状如何交互的先验知识。所提出的核函数适用于按两级树结构排列的二进制数据，并支持任意给定阶数的交互建模。在模拟数据和来自塞内加尔的实际死亡原因推断数据集上进行的实验表明，与经典核函数相比实现了持续改进，而深度学习基准测试证实了结构化核函数即使在现代架构中仍保持强大的预测能力。该方法可扩展至混合数据类型或适配于图结构的症状网络。
Keyword:
Kernel methods
hierarchical data
pgpDA
verbal autopsy
medical diagnosis
deep learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。