DeepCare：一种用于预测性医疗的深度动态记忆模型
机器学习
2017-04-12 v2 机器学习
摘要
个性化预测医疗需要对患者疾病与诊疗过程建模，其固有地具有长期时间依赖性。记录在电子病历中的医疗观测是情景式且时间不规则的。我们提出 DeepCare，一种端到端深度动态神经网络，其读取医疗记录、存储既往病史、推断当前疾病状态并预测未来医疗结果。在数据层面，DeepCare 将诊疗片段表示为空间中的向量，通过对历史记录的显式记忆对患者健康状态轨迹建模。基于长短期记忆（Long Short-Term Memory, LSTM），DeepCare 引入时间参数化，通过调节记忆细胞的遗忘与巩固来处理不规则定时事件。DeepCare 还整合了改变疾病进程并塑造未来医疗风险的医学干预。上升到健康状态层面，历史与当前健康状态随后通过多尺度时间池化进行聚合，再输入估计未来结果的神经网络。我们展示了 DeepCare 在疾病进展建模、干预推荐和未来风险预测上的有效性。在具有沉重社会经济负担的两个重要队列——糖尿病与心理健康——上，结果显示建模与风险预测精度得到提升。
引用
@article{arxiv.1602.00357,
title = {DeepCare: A Deep Dynamic Memory Model for Predictive Medicine},
author = {Trang Pham and Truyen Tran and Dinh Phung and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1602.00357},
year = {2017}
}
备注
Accepted at JBI under the new name: "Predicting healthcare trajectories from medical records: A deep learning approach"