面向多变量临床时间序列的可解释加性循环神经网络
机器学习
2021-09-17 v1 人工智能
摘要
基于循环神经网络（RNN）的时间序列模型可具备高准确率，但因特征交互、时间交互与非线性变换而难以解释。在医疗等域中，可解释性十分重要，因为构建能提供其所学关系洞察的模型是验证并信任模型预测所必需的。我们需要准确的时间序列模型，使用户能理解单个输入特征的贡献。我们提出可解释RNN（I-RNN），它通过强制模型中变量间关系为加性来平衡模型复杂度与准确率。交互被限制在RNN的隐藏状态之间，并在最后一步加性组合。I-RNN专门捕捉临床时间序列的独特特性：时间上非均匀采样、异步采集且含缺失数据。重要的是，隐藏状态激活表示与预测目标相关的特征系数，并可可视化为风险曲线，捕捉单个输入特征与结局的全局关系。我们在Physionet 2012挑战赛数据集上评估I-RNN以预测院内死亡率，并在真实临床决策支持任务——预测重症监护病房中的血流动力学干预——上进行评估。I-RNN以全局与局部特征重要性的形式提供解释，可与基于手工特征训练的高度可理解模型（如决策树）媲美，同时显著优于它们。I-RNN在保持可理解性的同时，提供了与最先进的基于衰减与基于插值的循环时间序列模型相当的准确率。在真实临床数据集上的实验结果驳斥了准确率与可解释性之间存在权衡的迷思。
引用
@article{arxiv.2109.07602,
title = {Interpretable Additive Recurrent Neural Networks For Multivariate Clinical Time Series},
author = {Asif Rahman and Yale Chang and Jonathan Rubin},
journal= {arXiv preprint arXiv:2109.07602},
year = {2021}
}