用于分析患者电子健康记录的显式-模糊记忆网络
机器学习
2020-07-15 v2 机器学习
摘要
近年来，我们对大规模电子健康记录（EHR）中患者记录的时间建模兴趣日益增长。尽管更简单的 RNN 模型已被用于此类问题，但在其他领域中被发现具有良好泛化能力的记忆网络却未得到充分利用。传统记忆网络涉及扩散和非线性操作，过去事件对输出的影响难以量化。我们认为这种可解释性的缺乏使得此类网络不适用于 EHR 分析。虽然最近提出了具有显式记忆的网络，但离散操作所施加的不连续性使得此类网络更难训练且需要更多监督。在 EHR 研究的有限数据场景下，该问题进一步加剧。在本文中，我们提出了一种新颖的记忆架构，它比传统记忆网络更具可解释性，同时比显式记忆库更易训练。受知名人类认知模型的启发，我们提出将外部记忆空间划分为（a）一个主要显式记忆块，用于存储近期事件的精确副本以支持解释，其后接（b）一个次要模糊记忆块，将从显式块中丢弃的过去事件的显著方面作为更高层次的抽象进行累积，并通过稳定梯度使得以更少监督进行训练成为可能。我们将该模型应用于来自 MIMIC III 数据库的 ICU 记录上的 3 个学习问题，涵盖数百万个数据点。我们的模型性能与最先进水平相当，同时关键地实现了对结果的便捷解释。
引用
@article{arxiv.1911.06472,
title = {Explicit-Blurred Memory Network for Analyzing Patient Electronic Health Records},
author = {Prithwish Chakraborty and Fei Wang and Jianying Hu and Daby Sow},
journal= {arXiv preprint arXiv:1911.06472},
year = {2020}
}
备注
accepted to DSHealth 20