基于多视图多任务学习的癌症幸存者心脏并发症风险分析

由于临床数据中异质实体（如就诊、疾病、用药）间的复杂交互，并发症风险分析是医疗领域的一项关键挑战。随着电子健康记录和保险理赔等真实世界临床数据的可得，许多深度学习方法是为并发症风险分析而提出的。然而，这些现有方法面临两个开放挑战。其一，数据异质性指那些方法仅利用单一视图的临床数据，而数据可从多视图考量（如临床就诊序列、临床特征集合）。其二，泛化预测指多数方法聚焦于单任务学习，各并发症发病被独立预测，导致次优模型。我们提出一种多视图多任务网络（MuViTaNet）用于预测多种并发症的发病以应对这些问题。特别地，MuViTaNet 通过多视图编码器将临床数据同时视为临床就诊序列与临床特征集合，有效提取信息，从而补充患者表征。此外，它利用来自相关有标签与无标签数据集的额外信息，通过一种新的多任务学习方案生成更具泛化的表征，以作出更精准预测。实验结果表明，MuViTaNet 在乳腺癌幸存者心脏并发症发展分析中优于现有方法。进而，得益于其多视图多任务架构，MuViTaNet 还提供了一种从多视角解释其预测的有效机制，从而帮助临床医生发现触发发病的潜在机制，并在真实场景中进行更好的临床治疗。