Resumen

Los datos multidimensionales que se presentan en una variedad de aplicaciones en diagnósticos clínicos y atención médica pueden representarse naturalmente mediante matrices multidimensionales (es decir, tensores). Las descomposiciones de tensores ofrecen herramientas valiosas y poderosas para el descubrimiento de conceptos latentes que pueden manejar de manera efectiva los valores faltantes y el ruido. Proponemos un método de extracción de características y clasificación de múltiples instancias (MI) sin problemas y sin dependencia de la aplicación, que representa los datos multidimensionales crudos, posiblemente incompletos, mediante el aprendizaje de un diccionario de alto orden. La efectividad del método propuesto se demuestra en dos escenarios de aplicación: (i) predicción de fragilidad en personas mayores utilizando grabaciones multisensoriales y (ii) clasificación de cáncer de mama basada en imágenes de histopatología. El método propuesto supera o es comparable a los clasificadores de aprendizaje de múltiples instancias de vanguardia, resaltando su potencial para el diagnóstico as

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Datos multidimensionales; Descomposiciones tensoriales; Extracción de características; Clasificación de instancias múltiples; Predicción de fragilidad; Clasificación de cáncer de mama
• Keywords:Multidimensional data; Tensor decompositions; Feature extraction; Multiple-instance classification; Frailty prediction; Breast cancer classification