Semi-Supervised Generative Models for Disease Trajectories: A Case Study on Systemic Sclerosis

我们提出了一种使用潜在时间过程的深度生成方法，用于对复杂疾病轨迹进行建模和整体分析，特别关注全身性硬化症（SSc）。我们的目标是学习潜在时间表征，解释观察到的患者疾病轨迹，并以可解释和全面的方式进行分析。为了增强这些潜在时间过程的可解释性，我们开发了一种半监督方法，使用已建立的医学知识来分离潜在空间。通过将生成方法与SSc不同特征的医学定义相结合，我们促进了对疾病新方面的发现。我们展示了学习的潜在时间过程可以用于进一步的数据分析和临床假设测试，包括找到相似的患者，将SSc患者轨迹聚类成新的亚型。此外，我们的方法使个性化在线监测和多变量时间序列预测成为可能，并进行不确定性量化。

本文旨在通过使用潜在时间过程的深度生成方法来模拟和全面分析复杂疾病轨迹，特别关注系统性硬化症（SSc）。作者试图通过学习潜在的时间表示来解释观察到的患者疾病轨迹，以便更好地理解该疾病。

本文的关键思路是使用潜在时间过程的深度生成方法来模拟和全面分析复杂疾病轨迹，并通过半监督方法来解开潜在空间，以便更好地理解该疾病。

该方法可以用于进一步的数据分析和临床假设测试，包括查找相似的患者和将SSc患者轨迹聚类成新的亚型。此外，该方法可以进行个性化在线监测和预测多元时间序列，并提供不确定性量化。该方法还结合了医学定义SSc的不同特征，以促进对该疾病新方面的发现。

在这个领域中，最近的相关研究包括：'A deep learning approach for modeling and predicting multiple time series'和'Semi-supervised learning with deep generative models'等。