用于临床诊断推理的压缩记忆网络
计算与语言
2017-01-05 v2
摘要
临床疾病的诊断是一项具有挑战性的任务，通常需要进行大量的医学检查。以往与诊断推理相关的工作大多考虑多变量观测数据（如生理信号、实验室检查等）。相比之下，我们利用电子健康记录（EHR）中记录的自由文本医疗笔记来探索这一问题。此类复杂任务可受益于结构化知识库，但其可扩展性不足。我们转而利用 Wikipedia 的原始文本作为知识源。记忆网络已被证明在需要理解自由格式文本的任务中是有效的。它们利用学习表示的最终迭代来预测可能的类别。我们引入了压缩记忆神经网络（C-MemNNs），这是一种具有记忆表示迭代压缩机制的新模型，能够保留记忆中的特征层次。在 MIMIC-III 数据集上的实验表明，在给定复杂临床场景下预测最可能诊断时，所提出的模型优于其他记忆网络变体。
引用
@article{arxiv.1612.01848,
title = {Condensed Memory Networks for Clinical Diagnostic Inferencing},
author = {Aaditya Prakash and Siyuan Zhao and Sadid A. Hasan and Vivek Datla and Kathy Lee and Ashequl Qadir and Joey Liu and Oladimeji Farri},
journal= {arXiv preprint arXiv:1612.01848},
year = {2017}
}
备注
Accepted to AAAI 2017