面向ICU风险关注的深度学习
机器学习
2017-07-18 v1 机器学习
摘要
对ICU中的生理时间序列进行建模具有极高的临床重要性。然而，ICU内收集的数据在时间上不规则且常包含缺失测量。由于测量的缺失意味着其重要性的缺乏，缺失性确实具有信息量，并可能反映临床医生的决策。在此我们提出一种深度学习架构，能有效应对这些挑战以预测ICU死亡结局。该模型基于长短期记忆（Long Short-Term Memory），并具有分层注意力机制。在感知层，模型决定是否观测并纳入当前测量的部分。在推理层，跨时间步的证据被加权并组合。模型在PhysioNet 2012数据集上评估，展示了具有竞争力且可解释的结果。
引用
@article{arxiv.1707.05010,
title = {Deep Learning to Attend to Risk in ICU},
author = {Phuoc Nguyen and Truyen Tran and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1707.05010},
year = {2017}
}
备注
Accepted IJCAI17-KDH workshop paper