临床试验中的静态和动态数据

Question

大家好，谢谢你们能帮我解决这个问题。我有关于参与临床试验的病人的多种数据，我的目标是预测他们的死亡/非死亡。这些数据由两个数据集组成，第一组是静态的(年龄、性别、ecc)，第二组是动态的(在多次测试中收集的分析结果，如%红细胞压积、%钠、血压等)。我知道，如果我只有静态数据，我会使用任何ML分类算法，当然，在只有动态数据的情况下，“正确”的方法是构建一个LSTM，但两者都让我有点困惑。在这种情况下，我可以建立什么样的模型？我在考虑两个模型，其中第一个(静态)的输出变成了第二个(动态)的输入。是个好主意吗？谢谢。

Answer 1

您所指的是所谓的多输入模型，可以很好地构建在大多数deel学习框架中。其思想是将两种类型的数据作为单独的输入，然后根据它们的类型使用特定的层(递归层对数据进行排序，CNN对图像进行排序，等等)。把他们连在一起。

如果您可以使用Keras，那么就会有一个功能性Api，它非常适合手头的任务。针对您的问题的代码示例(基于文档中的示例)可以是：

from keras.layers import Input, Embedding, LSTM, Dense, merge
from keras.models import Model

# headline input: meant to receive sequences of 100 integers, between 1 and 10000.
# note that we can name any layer by passing it a "name" argument.
main_input = Input(shape=(100,), dtype='int32', name='main_input')

# this embedding layer will encode the input sequence
# into a sequence of dense 512-dimensional vectors.
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)

# a LSTM will transform the vector sequence into a single vector,
# containing information about the entire sequence
lstm_out = LSTM(32)(x)

#At this point, we feed into the model our auxiliary input data by concatenating it with the LSTM output:

auxiliary_input = Input(shape=(5,), name='aux_input')
x = merge([lstm_out, auxiliary_input], mode='concat')

# we stack a deep fully-connected network on top
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)

# and finally we add the main logistic regression layer
main_output = Dense(1, activation='sigmoid', name='main_output')(x)

#This defines a model with two inputss:
model = Model(input=[main_input, auxiliary_input], output=main_output)

#Then compite and train
model.compile(optimizer='rmsprop', loss='binary_crossentropy')
model.fit([headline_data, additional_data], labels,
          nb_epoch=50, batch_size=32)

在您的示例中，动态数据是headline_input，静态数据是auxiliary_input。该模型将两者兼而有之，将递归层应用于前者，并将它们连在一起，通过密集层进行联合。

当然，其中许多参数将取决于您的数据，但至少这个示例将给您一个如何构建这样的模型的想法。

还有一个有趣的项目条件全神经网络也是为了这个目的而设计的。值得一看。