DeepSelective：基于 EHR 数据中的特征选择与压缩实现可解释的疾病预后预测
机器学习
2025-06-23 v2 人工智能
摘要
电子健康记录 (EHR) 的快速积累已改变医疗保健领域，提供了有价值数据，增强了临床预测和诊断。虽然传统机器学习模型已证明有效，但往往缺乏稳健的表征学习，依赖高度依赖专家精心构建的特征。尽管深度学习提供了强大的解决方案，但常因缺乏可解释性而受到批评。为此，我们提出 DeepSelective，一个新型的端到端深度学习框架，用于基于 EHR 数据预测患者预后，强调显著提升模型的可解释性。DeepSelective 将数据压缩技术与创新的特征选择方法结合，集成定制模块，协同工作以提高准确性和可解释性。我们的实验表明，DeepSelective 不仅提升了预测准确性，还显著提高了可解释性，使其成为临床决策的有价值工具。源代码可免费获取，地址为 http://www.healthinformaticslab.org/supp/resources.php。
引用
@article{arxiv.2504.11264,
title = {DeepSelective: Interpretable Prognosis Prediction via Feature Selection and Compression in EHR Data},
author = {Ruochi Zhang and Qian Yang and Xiaoyang Wang and Tian Wang and Qiong Zhou and Ziqi Deng and Kewei Li and Yueying Wang and Yusi Fan and Jiale Zhang and Lan Huang and Chang Liu and Fengfeng Zhou},
journal= {arXiv preprint arXiv:2504.11264},
year = {2025}
}