面向电子健康记录的异质相似图神经网络
机器学习
2021-01-19 v1
摘要
由于电子健康记录（EHRs）包含丰富信息，挖掘 EHRs 成为一个有前景的课题。通过从 EHRs 中学习，可构建机器学习模型以帮助人类专家做出医疗决策，从而提升医疗质量。近来，许多基于序列或图模型的模型被提出以实现该目标。EHRs 包含多类实体与关系，可视为异质图。然而，先前研究忽略了 EHRs 中的异质性。另一方面，当前异质图神经网络因 EHR 图中存在枢纽节点而无法直接用于 EHR 图。为解决此问题，我们提出异质相似图神经网络（HSGNN），以一种新颖的异质 GNN 分析 EHRs。我们的框架由两部分组成：一是预处理方法，二是端到端 GNN。预处理方法对边进行归一化并将 EHR 图拆分为多个同质子图，每个同质子图包含原始 EHR 图的部分信息。GNN 以所有同质子图为输入并将其融合为一张图以进行预测。实验结果表明，HSGNN 在诊断预测任务中优于其他基线。
引用
@article{arxiv.2101.06800,
title = {Heterogeneous Similarity Graph Neural Network on Electronic Health Records},
author = {Zheng Liu and Xiaohan Li and Hao Peng and Lifang He and Philip S. Yu},
journal= {arXiv preprint arXiv:2101.06800},
year = {2021}
}