BEHRT：面向电子健康记录的Transformer
机器学习
2019-07-24 v1 机器学习
摘要
如今，尽管医学已发展数十年且对精准医疗的兴趣日益增长，绝大多数诊断仍发生在患者开始表现出明显患病迹象之后。然而，疾病的早期提示与检测能够为患者和照护者提供早期干预、更好的疾病管理以及医疗资源高效分配的机会。机器学习（更具体地，深度学习）的最新进展为解决这一未满足的需求提供了巨大机遇。在本研究中，我们引入 BEHRT：一种用于 EHR（电子健康记录）的深度神经序列转导模型，能够进行多任务预测与疾病轨迹映射。当在来自近 160 万个体的数据上训练和评估时，BEHRT 在平均精度得分方面相比现有最先进的深度 EHR 模型（在预测 301 种疾病的发病时，就平均精度而言）显示出 8.0-10.8% 的惊人绝对提升。除其卓越的预测能力外，BEHRT 通过其注意力机制提供疾病轨迹的个性化视图；其灵活架构使其能够整合多种异质概念（例如诊断、用药、测量等）以提升预测准确性；并且其（预）训练所得的疾病与患者表示可帮助我们向可解释预测迈进一小步。
引用
@article{arxiv.1907.09538,
title = {BEHRT: Transformer for Electronic Health Records},
author = {Yikuan Li and Shishir Rao and Jose Roberto Ayala Solares and Abdelaali Hassaine and Dexter Canoy and Yajie Zhu and Kazem Rahimi and Gholamreza Salimi-Khorshidi},
journal= {arXiv preprint arXiv:1907.09538},
year = {2019}
}
备注
Shishir Rao and Yikuan Li have equally contributed to this work as first authors. Shishir Rao is Corresponding Author for this work