基于标签依赖注意力模型利用多模态电子健康记录进行疾病风险预测
人工智能
2022-01-19 v1
摘要
疾病风险预测在现代医疗领域吸引了越来越多的关注，尤其是随着人工智能（AI）的最新进展。包含异质患者信息的电子健康记录（EHRs）被广泛用于疾病风险预测任务。应用 AI 模型进行风险预测的一个挑战在于在保持预测能力的同时生成可解释的证据以支持预测结果。为解决该问题，我们提出了词与标签联合嵌入的方法，其中注意力模块根据词与风险预测标签名称的相关性学习词的权重。该方法通过采用注意力机制并在模型中纳入预测任务的名称来提升可解释性。然而，其应用仅限于处理诸如医疗笔记的文本输入。在本文中，我们提出标签依赖注意力模型 LDAM 以 1）通过利用 Clinical-BERT（在大型临床语料上预训练的生医语言模型）联合编码具有生医意义的特性与标签，从而改善可解释性；2）将联合嵌入的思想扩展至时间序列数据处理，并开发用于整合来自医疗笔记与时间序列健康状态指标异质信息的多模态学习框架。为展示我们的方法，我们将 LDAM 应用于 MIMIC-III 数据集以预测不同疾病风险。我们从定量与定性两方面评估了我们的方法。具体地，将展示 LDAM 的预测能力，并通过案例研究阐明其可解释性。
引用
@article{arxiv.2201.06779,
title = {Label Dependent Attention Model for Disease Risk Prediction Using Multimodal Electronic Health Records},
author = {Shuai Niu and Qing Yin and Yunya Song and Yike Guo and Xian Yang},
journal= {arXiv preprint arXiv:2201.06779},
year = {2022}
}