Transfer Learning Improving Predictive Mortality Models for Patients in End-Stage Renal Disease
Macias Toro, Edwar Hernando (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)
López Vicario, José (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)
Serrano García, Javier 1964- (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)
Ibeas, Jose (Parc Taulí Hospital Universitari. Institut d'Investigació i Innovació Parc Taulí (I3PT))
Morell Pérez, Antoni (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)

Data:	2022
Resum:	Deep learning is becoming a fundamental piece in the paradigm shift from evidence-based to data-based medicine. However, its learning capacity is rarely exploited when working with small data sets. Through transfer learning (TL), information from a source domain is transferred to a target one to enhance a learning task in such domain. The proposed TL mechanisms are based on sample and feature space augmentation. Thus, deep autoencoders extract complex representations for the data in the TL approach. Their latent representations, the so-called codes, are handled to transfer information among domains. The transfer of samples is carried out by computing a latent space mapping matrix that links codes from both domains for later reconstruction. The feature space augmentation is based on the computation of the average of the most similar codes from one domain. Such an average augments the features in a target domain. The proposed framework is evaluated in the prediction of mortality in patients in end-stage renal disease, transferring information related to the mortality of patients with acute kidney injury from the massive database MIMIC-III. Compared to other TL mechanisms, the proposed approach improves 6-11% in previous mortality predictive models. The integration of TL approaches into learning tasks in pathologies with data volume issues could encourage the use of data-based medicine in a clinical setting.
Ajuts:	Agencia Estatal de Investigación TEC2017-84321-C4-4-R Agència de Gestió d'Ajuts Universitaris i de Recerca 2017/SGR-1670
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Llengua:	Anglès
Document:	Article ; Versió publicada
Matèria:	Transfer learning ; Deep learning ; Mortality prediction
Publicat a:	Electronics, Vol. 11, Issue 9 (April 2022) , art. 1447, ISSN 2079-9292

DOI: 10.3390/electronics11091447

14 p, 2.4 MB

El registre apareix a les col·leccions:
Documents de recerca > Documents dels grups de recerca de la UAB > Centres i grups de recerca (producció científica) > Ciències de la salut i biociències > Institut d’Investigació i Innovació Parc Taulí (I3PT)
Articles > Articles publicats