利用图卷积 Transformer 学习电子健康记录的图结构
机器学习
2020-01-22 v3 机器学习
摘要
对电子健康记录（EHR）的有效建模正迅速成为学术界与工业界的重要课题。近期一项研究表明，利用 EHR 数据底层的图结构（如诊断与治疗间的关系）可提升心力衰竭预测等预测任务的性能。然而，EHR 数据并非总包含完整的结构信息。此外，对于理赔数据，起初根本不存在结构信息。在此情形下，我们是否仍能优于将 EHR 数据视为扁平结构的词袋特征？本文研究在执行 EHR 数据监督预测任务的同时联合学习其隐藏结构的可能性。具体而言，我们论述 Transformer 是学习隐藏 EHR 结构的合适基础模型，并提出图卷积 Transformer（Graph Convolutional Transformer），其利用数据统计量引导结构学习过程。所提模型在合成数据与公开 EHR 数据上，针对图重建与再入院预测等多种预测任务，经验上一致优于以往方法，表明其可作为 EHR 数据的一种有效通用表示学习算法。
引用
@article{arxiv.1906.04716,
title = {Learning the Graphical Structure of Electronic Health Records with Graph Convolutional Transformer},
author = {Edward Choi and Zhen Xu and Yujia Li and Michael W. Dusenberry and Gerardo Flores and Yuan Xue and Andrew M. Dai},
journal= {arXiv preprint arXiv:1906.04716},
year = {2020}
}
备注
To be presented at AAAI 2020