利用卷积神经网络从入院记录中进行医学诊断
计算与语言
2017-12-08 v1
摘要
开发一种仅使用电子健康记录(EHRs)中的文本入院信息的自动诊断系统，并为临床医生提供及时且统计可靠的决策工具。期望该工具可用于减少误诊。 我们使用来自 MIMIC-III 的真实世界临床笔记，这是一个公开可用的数据集，包含 2001 年至 2012 年间在贝斯以色列女执事医疗中心重症监护病房停留的四万余名患者的临床数据。我们提出一种卷积神经网络模型，从非结构化文本输入中学习语义特征并自动预测主要出院诊断。 所提模型在 10 个最频繁疾病类别上取得了总体 96.11% 的准确率和 80.48% 的加权 F1 分数，加权 F1 分数至少比四个强基线模型高出 12.7%。 实验结果表明，CNN 模型适用于在复杂、有噪声且非结构化的临床数据下支持诊断决策，同时使用的层数和数据量少于其他传统深度网络模型。 我们的模型展示了从非结构化临床笔记中表示复杂医学有意义特征的能力，以及对常误诊常见疾病的预测能力。它可轻松用于临床环境以提供及时且统计可靠的决策支持。 卷积神经网络，文本分类，出院诊断预测，来自 EHRs 的入院信息。
引用
@article{arxiv.1712.02768,
title = {Convolutional Neural Networks for Medical Diagnosis from Admission Notes},
author = {Christy Li and Dimitris Konomis and Graham Neubig and Pengtao Xie and Carol Cheng and Eric Xing},
journal= {arXiv preprint arXiv:1712.02768},
year = {2017}
}