ISeeU：面向ICU内死亡率预测的可视化可解释深度学习
机器学习
2019-08-23 v1 机器学习
摘要
为改善重症监护病房（ICUs）的绩效，生物统计领域已开发出若干评分以预测不良结局的可能性。这些评分有助于评估治疗与临床实践的有效性，并识别出现意外结局的患者。然而，多项研究表明其性能欠佳。与之相对，深度学习在特定预测任务中具备最先进的（state of the art）能力，且有研究表明深度神经网络能够超越传统技术。尽管如此，深度学习在医疗领域应用的主要障碍是其可解释性不足，因为该领域亟需洞察预测之“所以然”，以确保模型学习的是相关特征而非虚假关联。为此，我们提出了一种在重症监护医学信息库III（MIMIC-III）上训练的深度多尺度卷积架构用于死亡率预测，并运用联盟博弈论（coalitional game theory）中的概念构建视觉解释，以展示网络认为这些输入的重要程度。我们的结果表明，模型在保持可解释性的同时达到了最先进的性能。支持代码见 https://github.com/williamcaicedo/ISeeU。
引用
@article{arxiv.1901.08201,
title = {ISeeU: Visually interpretable deep learning for mortality prediction inside the ICU},
author = {William Caicedo-Torres and Jairo Gutierrez},
journal= {arXiv preprint arXiv:1901.08201},
year = {2019}
}