基于规则与深度学习模型的患者表型识别比较
计算与语言
2017-03-28 v1 人工智能
神经与进化计算
机器学习
摘要
目的：我们研究用于自然语言处理（NLP）的深度学习技术能否有效用于患者表型识别。患者表型识别是一项确定患者是否患有某种医学状况的分类任务，是医疗数据二次分析的关键部分。我们评估深度学习算法的性能，并将其与经典的 NLP 方法进行比较。材料与方法：我们比较了卷积神经网络（CNNs）、n-gram 模型以及基于 cTAKES 的方法，后者从临床笔记中提取预定义的医学概念并用于预测患者表型。性能在 10 个不同的表型识别任务上进行了测试，使用了从 MIMIC-III 数据库中提取的 1,610 份出院小结。结果：CNNs 在所有 10 个任务中均优于其他表型识别算法。我们模型的平均 F1 分数为 76（阳性预测值 PPV 为 83，灵敏度为 71），且我们的模型 F1 分数比替代方法高出多达 37 个百分点。我们还通过提出一种提取特定预测中最显著短语的方法，评估了我们模型的可解释性。结论：我们表明，基于深度学习的 NLP 方法提高了患者表型识别的性能。我们基于 CNN 的算法自动学习与每种患者表型相关的短语。因此，它降低了临床领域专家的标注复杂性，他们通常需要制定特定任务的标注规则并识别相关短语。我们的方法在性能和可解释性方面均表现良好，这表明深度学习是基于临床医生笔记进行患者表型识别的有效方法。
引用
@article{arxiv.1703.08705,
title = {Comparing Rule-Based and Deep Learning Models for Patient Phenotyping},
author = {Sebastian Gehrmann and Franck Dernoncourt and Yeran Li and Eric T. Carlson and Joy T. Wu and Jonathan Welt and John Foote and Edward T. Moseley and David W. Grant and Patrick D. Tyler and Leo Anthony Celi},
journal= {arXiv preprint arXiv:1703.08705},
year = {2017}
}