电子健康记录上的多任务异构图学习
机器学习
2024-08-15 v1 人工智能
摘要
电子健康记录（EHR）的学习因其促进精确医学诊断的能力而受到日益关注。由于EHR包含 specifying 实体间复杂交互的丰富信息，以图建模EHR已被证明在实际中有效。然而，EHR呈现出高度的异质性、稀疏性和复杂性，这阻碍了大多数应用于它们的模型的性能。此外，现有建模EHR的方法通常侧重于学习单一任务的表示，忽视了EHR分析问题的多任务性质，导致在不同任务间的泛化能力有限。鉴于这些局限性，我们提出了一个名为MulT-EHR（多任务EHR）的新型EHR建模框架，利用异构图挖掘复杂关系并建模EHR中的异质性。为缓解大量噪声，我们引入了一个基于因果推断框架的去噪模块，以调整严重混杂效应并降低EHR数据中的噪声。此外，由于我们的模型采用单个图神经网络进行同时多任务预测，我们设计了一个多任务学习模块以利用任务间知识来正则化训练过程。在MIMIC-III和MIMIC-IV数据集上的广泛实证研究验证了所提方法在四个流行EHR分析任务——药物推荐以及住院时长、死亡率和再入院预测——上持续优于现有最新设计。充分的消融研究证明了该方法在关键组件和超参数变化下的鲁棒性。
引用
@article{arxiv.2408.07569,
title = {Multi-task Heterogeneous Graph Learning on Electronic Health Records},
author = {Tsai Hor Chan and Guosheng Yin and Kyongtae Bae and Lequan Yu},
journal= {arXiv preprint arXiv:2408.07569},
year = {2024}
}
备注
Accepted by Neural Networks