应用半监督生成对抗网络预测临床试验中严重不良事件

大数据时代带来丰富数据的机遇,同时又带来如何能有效利用这些数据的挑战。在很多细分化的医疗领域,如临床实验、癌症和罕见病诊断等,目标数据会变得相对稀少或缺失大量特征值。这使得建模变得非常困难。同时在医疗领域,计算机科学和存储技术的发展又能观测到大量的未标识的相关数据。这些数据样本虽然丰富,很难与目标数据直接结合起来。使用最新的半监督生成对抗网络模型可在少量标识样本情况下,使用大量未标识数据达到帮助训练和提高预测准确度。由于半监督生成对抗网络难以训练,可通过加入特殊损失项来提升模型训练技巧。在预测药物临床严重不良事件真实世界案例中,半监督生成对抗网络通过读取未标识样本的额外信息和生成大量的虚拟样本,达到了帮助模型训练的目的。和基准模型相比,半监督生成对抗网络取得了相对最好的预测精准度。相同的模型构架还可以拓展到其他相类似的小标识样本但存在大量相关数据的案例中。