基于模型无关注意力图的可解释生命体征预测
机器学习
2024-05-24 v3 人工智能
摘要
败血症是 ICU 中导致死亡的主要原因，构成重大的医学挑战。分析多样化的生命体征预测败血症的复杂性进一步恶化了这一问题。虽然已发展出深度学习技术用于早期败血症预测，但其“黑箱”本质掩盖了内部逻辑，在 ICU 等关键场景中削弱了可解释性。本文引入一种框架，将深度学习模型与注意力机制结合，突出显示预测过程中关键时间步，从而提高模型的可解释性并支持临床决策。我们展示注意力机制可适用于诸如 N-HiTS 和 N-BEATS 等各种黑箱时间序列预测模型。该方法在保持传统深度学习模型准确性的同时，通过注意力权重生成的热图提高了可解释性。我们在 eICU-CRD 数据集上评估了该模型，聚焦于败血症患者的生命体征预测。我们使用均方误差 (MSE) 和动态时间规整 (DTW) 指标评估其性能。我们探讨了 N-HiTS 和 N-BEATS 的注意力图，检查其性能差异并确定影响生命体征预测的关键因素。
引用
@article{arxiv.2405.01714,
title = {Interpretable Vital Sign Forecasting with Model Agnostic Attention Maps},
author = {Yuwei Liu and Chen Dan and Anubhav Bhatti and Bingjie Shen and Divij Gupta and Suraj Parmar and San Lee},
journal= {arXiv preprint arXiv:2405.01714},
year = {2024}
}
备注
8 pages, 4 figures