基于注意力的多示例神经网络用于不完整低质量数据的医学诊断
机器学习
2019-04-10 v1 计算与语言
摘要
从临床记录中提取模式的一种方式是视每位患者记录为一个包含若干症状形式实例的包。医学诊断需先发现其中蕴含信息的实例，再将其映射至一种或多种疾病。在许多情形下，患者被表示为某特征空间中的向量，随后施加分类器以生成诊断结果。然而在众多真实场景中，数据常因一致性、完整性、准确性等多种原因而质量低下。本文提出一种新方法——基于注意力的多示例神经网络（AMI-Net），以仅基于真实世界门诊记录中现存且有效的信息完成单病分类。在患者语境下，该方法以实例包为输入，并以端到端方式直接输出包标签。起始处采用嵌入层，将实例映射至表征个体患者状态的嵌入空间。实例间关联及其对最终分类的重要性由多头注意力 transformer、实例级多示例池化与包级多示例池化捕获。所提方法在两个非标准化且高度不平衡的数据集上测试：一个属中医（TCM）领域，另一个属西医（WM）领域。我们的初步结果显示，所提方法以显著优势超越所有基线结果。
引用
@article{arxiv.1904.04460,
title = {Attention-based Multi-instance Neural Network for Medical Diagnosis from Incomplete and Low Quality Data},
author = {Zeyuan Wang and Josiah Poon and Shiding Sun and Simon Poon},
journal= {arXiv preprint arXiv:1904.04460},
year = {2019}
}