ExBEHRT：面向电子健康记录以预测疾病亚型与进展的扩展Transformer
机器学习
2023-08-14 v3 人工智能
摘要
本研究引入ExBEHRT——BEHRT（应用于电子健康记录的BERT）的扩展版本，并应用不同算法解释其结果。BEHRT仅考虑诊断与患者年龄，我们通过一种统一不同特征频率与时间维度的新方法，将特征空间扩展至若干多模态记录，即人口统计学、临床特征、生命体征、吸烟状态、诊断、操作、用药和实验室检查。我们表明，额外特征显著提升了模型在不同疾病多项下游任务中的表现。为确保鲁棒性，我们使用期望梯度（expected gradients）的适配方法解释模型预测，该方法此前未应用于带EHR数据的transformer，且比特征与词元重要性等先前方法提供更细粒度的解释。此外，通过对肿瘤患者模型表征聚类，我们显示模型对疾病具有隐式理解，并能将同类型癌症患者划分为不同风险组。借助额外特征与可解释性，ExBEHRT可辅助对各类疾病的疾病轨迹、诊断与风险因素作出知情决策。
引用
@article{arxiv.2303.12364,
title = {ExBEHRT: Extended Transformer for Electronic Health Records to Predict Disease Subtypes & Progressions},
author = {Maurice Rupp and Oriane Peter and Thirupathi Pattipaka},
journal= {arXiv preprint arXiv:2303.12364},
year = {2023}
}
备注
ICLR 2023 Workshop on Trustworthy Machine Learning for Healthcare (Website: https://sites.google.com/view/tml4h2023/accepted-papers )