DeepEnroll：基于深度嵌入与蕴含预测的受试者-试验匹配模型
人工智能
2021-04-13 v2 机器学习
摘要
临床试验对药物开发至关重要，但常常面临昂贵、不准确和受试者招募不足的问题。受试者-试验匹配的核心问题在于为某项试验寻找合格的受试者，其中受试者信息存储在电子健康记录（EHR）中，而试验合格标准（EC）以网络上的文本文档描述。如何表示纵向受试者EHR？如何从EC中提取复杂的逻辑规则？大多数现有工作依赖人工基于规则的提取，耗时且对复杂推理不灵活。为应对这些挑战，我们提出DeepEnroll，一种跨模态推理学习模型，将入组标准（文本）和受试者记录（表格数据）联合编码到共享潜在空间中进行匹配推理。DeepEnroll应用预训练的Bidirectional Encoder Representations from Transformers（BERT）模型将临床试验信息编码为句子嵌入，并使用分层嵌入模型表示受试者的纵向EHR。此外，DeepEnroll通过数值信息嵌入与蕴含模块增强，以对EC和EHR中的数值信息进行推理。这些编码器联合训练以优化受试者-试验匹配分数。我们在真实世界数据集上的试验-受试者匹配任务中评估了DeepEnroll。DeepEnroll在平均F1上比最佳基线高出至多12.4%。
引用
@article{arxiv.2001.08179,
title = {DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction},
author = {Xingyao Zhang and Cao Xiao and Lucas M. Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:2001.08179},
year = {2021}
}
备注
accepted by The World Wide Web Conference 2020