基于图卷积网络的中毒预测决策支持

每天，中毒控制中心（PCC）都会在疑似急性中毒时被呼叫以进行即时分类和治疗建议。由于此类病例的时间敏感性，医生需在极短时间内给出正确诊断与干预。通常毒素已知，可相应提出建议。然而，在疑难病例中仅提及症状，医生须依赖其临床经验。医学专家及我们对某地区中毒记录数据集的分析表明这具有挑战性，因为由于地区差异、评分者间差异和机构流程，出现的症状可能并不总与教科书描述相符。计算机辅助诊断（CADx）可提供决策支持，但现有方法未考虑所报告病例的年龄或性别等附加信息，尽管其对正确诊断具有潜在价值。本工作中，我们提出一种基于机器学习的新 CADx 方法，利用图卷积网络融合患者的症状与元信息。我们进一步提出一种新颖的症状匹配方法，可有效将先验知识纳入学习过程并明显稳定中毒预测。我们针对来自慕尼黑 PCC 的 10 种不同毒素，以 10 名具有不同经验的医学医生为对照验证我们的方法，并展示了我们的方法在中毒预测性能上的优越性。