异质信息网络中面向诊断预测的层次化目标注意力模型
机器学习
2019-12-24 v1 机器学习
摘要
我们提出 HTAD，一种利用表示为异质信息网络的电子健康记录（EHR）进行诊断预测的 novel 模型。近期关于 EHR 建模的研究已显示出自动学习临床记录表示的成效，从而避免了手动特征选择的需要。然而，这些表示在聚合时往往缺乏针对所预测不同可能目标的特异性。我们的模型引入了一种目标感知的层次化注意力机制，使其在聚合临床记录表示以预测诊断时，学会关注最重要的临床记录。我们使用公开可用的基准数据集评估我们的模型，并证明目标感知注意力的使用相比当前最优水平显著提升了性能。此外，我们提出了一种将非类别数据纳入预测的方法，并证明该技术带来了进一步的性能提升。最后，我们展示了所提模型的预测易于解释。
引用
@article{arxiv.1912.10552,
title = {Hierarchical Target-Attentive Diagnosis Prediction in Heterogeneous Information Networks},
author = {Anahita Hosseini and Tyler Davis and Majid Sarrafzadeh},
journal= {arXiv preprint arXiv:1912.10552},
year = {2019}
}