从深度网络中提取知识及其在医疗领域的应用
机器学习
2015-12-14 v1 机器学习
摘要
电子健康记录（EHR）的指数增长为计算表型研究中的疾病有意义的数据驱动表示和模式发现带来了新的机遇和迫切需求。深度学习模型在计算表型任务中展现出优越的预测性能，但面临着模型可解释性问题，而这对参与决策的临床医生至关重要。在本文中，我们提出了一种新颖的知识蒸馏方法——可解释模仿学习（Interpretable Mimic Learning），用于学习可解释的表型特征，在模仿深度学习模型性能的同时实现鲁棒预测。我们的框架使用梯度提升树从深度学习模型（Stacked Denoising Autoencoder 和 Long Short-Term Memory）中学习可解释特征。在真实临床时间序列数据集上的大量实验表明，我们的方法获得了与深度学习模型相似或更优的性能，并为临床决策提供了可解释的表型。
引用
@article{arxiv.1512.03542,
title = {Distilling Knowledge from Deep Networks with Applications to Healthcare Domain},
author = {Zhengping Che and Sanjay Purushotham and Robinder Khemani and Yan Liu},
journal= {arXiv preprint arXiv:1512.03542},
year = {2015}
}