WISTERIA: Learning Clinical Representations from Noisy Supervision via Multi-View Consistency in Electronic Health Records

작성자

Haebom

카테고리

Empty

저자

Ruan Dong, Yuanyun Zhang, Shi Li

💡 개요

본 논문은 전자의무기록(EHR)에서 발생하는 약하고 잡음이 많은 임상 레이블의 한계를 극복하기 위해 WISTERIA라는 새로운 약한 지도 학습 기반 표현 학습 프레임워크를 제안한다. WISTERIA는 단일 감독 신호에 의존하는 대신, 여러 개의 약한 감독 연산자를 생성하고 이들 간의 레이블 분포 일관성을 강제하여 표현을 학습한다. 이를 통해 잡음이 많은 레이블러 간의 불일치를 조정함으로써 임상적으로 의미 있는 구조를 복구하고, 성능을 향상시키며, 잡음과 기관 간 일반화에 대한 강건성을 보여준다.

🔑 시사점 및 한계

•

임상 레이블을 고정된 목표가 아닌 확률적 관찰로 모델링하는 것이 EHR 데이터로부터 견고하고 임상적으로 의미 있는 표현을 학습하는 데 더 적합한 유도 편향을 제공함을 시사한다.

•

다중 뷰 일관성 학습과 온톨로지 기반 정규화는 잡음이 많은 임상 데이터를 효과적으로 활용하여 표현 학습 성능을 향상시킬 수 있음을 보여준다.

•

제안된 방법론이 다양한 임상 작업에서 기존 방법 대비 우수한 성능을 보였으나, 실제 임상 환경에서의 적용 시 다양한 기관별 특성과 레이블링 방식의 복잡성을 추가적으로 고려해야 할 필요가 있다.

PDF 보기

Made with Slashpage