COMPOSE：用于患者试验匹配的交叉模态伪孪生网络
机器学习
2020-06-17 v1 人工智能
摘要
临床试验在药物开发中扮演重要角色，但常受限于昂贵、不准确和不充分的患者招募。海量电子健康记录（EHR）数据与试验入排标准（EC）的可用为数据驱动的患者招募带来新机遇。其中一项关键任务即患者-试验匹配，旨在给定结构化 EHR 与非结构化 EC 文本（含纳入与排除标准）的情况下为临床试验寻找合格患者。如何将复杂的 EC 文本与纵向患者 EHR 匹配？如何嵌入患者与试验间的多对多关系？如何显式处理纳入与排除标准之间的差异？本文提出 CrOss-Modal PseudO-SiamEse 网络（COMPOSE）以应对患者-试验匹配中的这些挑战。网络的一条路径使用卷积高速公路网络编码 EC；另一条路径通过基于医学本体将结构化患者记录编码为多层级的多粒度记忆网络处理 EHR。以 EC 嵌入为查询，COMPOSE 执行注意力记录对齐，从而实现动态患者-试验匹配。COMPOSE 还引入复合损失项，以最大化患者记录与纳入标准的相似度，同时最小化其与排除标准的相似度。实验结果表明，COMPOSE 在患者-标准匹配上达到 98.0% AUC，在患者-试验匹配上达到 83.7% 准确率，较真实世界患者-试验匹配任务上的最佳基线提升 24.3%。
引用
@article{arxiv.2006.08765,
title = {COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching},
author = {Junyi Gao and Cao Xiao and Lucas M. Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:2006.08765},
year = {2020}
}
备注
Accepted by KDD'20