使用可解释深度学习预测个体化疾病轨迹
机器学习
2018-10-25 v1 机器学习
摘要
疾病进展模型有助于预测个体层面的健康轨迹并理解疾病动力学。现有模型能够提供患者预后的准确预测或疾病病理生理学的临床可解释表征，但无法兼顾二者。本文中，我们提出疾病进展的分阶段注意力状态空间（PASS）模型，这是一种深度概率模型，在保持临床可解释性的同时捕捉疾病进展的复杂表征。与假设无记忆动力学的马尔可夫状态空间模型不同，PASS 使用注意力机制诱导“有记忆”的状态转移，其中反复更新的注意力权重被用于聚焦于最能预测未来状态的过去状态实现。这产生了复杂的非平稳状态动力学，且通过所生成的注意力权重保持可解释性，这些权重指明了个体患者已实现状态变量之间的关系。PASS 使用分阶段 LSTM 单元（由参数化振荡控制的时间门）在连续时间内生成注意力权重，从而能够处理不规则采样且可能缺失的医疗观测。在真实世界患者队列数据上的实验表明，PASS 成功平衡了准确性与可解释性之间的权衡：它展现出更优的预测准确性，并学习到具有洞察力的个体层面疾病进展表征。
引用
@article{arxiv.1810.10489,
title = {Forecasting Individualized Disease Trajectories using Interpretable Deep Learning},
author = {Ahmed M. Alaa and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1810.10489},
year = {2018}
}