基于变分自动编码器(VAE)的协同过滤算法用作疾病预测方案
背景技术
近年来随着信息技术和人工智能的发展，对预测某种特定疾病的研究已经有了相当广泛的应用，尤其以神经网络为核心的深度学习技术突飞猛进. 由于其高效的特征提取能力和非线性的学习能力, 越来越多的研究将深度学习应用于在各类疾病的诊断预测上并表现出非常令人满意的结果。Miotto，R.等人研究并推导出了“深度病人”模型表示法，该方法在特定疾病预测任务中具有很高的准确性。人们已经开始利用适用于结构化和非结构化的数据来构造卷积神经网络（CNN）模型去预测脑梗塞。Nagrecha等人使用“诊断图”来预测老年患者的心力衰竭。这项工作旨在挖掘重要的疾病进展轨迹来帮助人们预测心力衰竭。Qingyu Zhao等人使用一种基于变差自编码框架的通用回归模型，并将其应用于结构化的核磁图像的脑老化预测问题。
协同过滤算法是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息。协同过滤技术已经成功地应用于娱乐业和电子零售业的推荐系统。这些系统通过探索实体当前项目历史来预测实体历史中未发现的项目相关性。这种方法也适应于疾病预测，可以把疾病作为项目，受试者当前的病史作为项目历史。Davis等人首次提出并讨论将协同过滤的机制用作疾病预测。他们使用用户偏好向量相似度的方法来解决这个问题。他们创建了一个名为CARE的系统，该系统使用患者病史作为输入，根据其他类似患者的特征来预测将来的诊断风险。Folino等人采用关联规则分析和马尔科夫模型来预测疾病风险，该方法使用挖掘模型的组合来提取连续的疾病模式。
协同过滤作为推荐系统的一种方法，在娱乐领域以及商业已经相当流行。许多深度学习架构已成功应用于电影、歌曲和商品购买推荐等。在这方面，最近一项最新的研究之一是Liang等人关于使用变分自编码器（VAE）进行协同过滤的工作。这些工作讨论了对原始VAE目标函数的许多修改，以提高推荐精度。