多模态推荐系统在疾病共病预测中的应用
信息检索
2023-09-19 v1 人工智能
计算与语言
机器学习
摘要
虽然基于深度学习的协同过滤推荐系统在其他领域的推荐中已被普遍使用，但其在医学领域的应用仍较为有限。除了对用户-物品交互进行建模外，我们展示了基于深度学习的推荐系统可用于对受试者-疾病编码交互进行建模。我们利用神经协同过滤（NCF）和深度混合过滤（DHF）这两种基于深度学习的推荐系统新应用，基于已知的患者既往共病情况进行疾病诊断。我们使用了两个数据集进行预测：一个包含 MIMIC-III 数据库中所有受试者-疾病编码对，另一个包含出现频率最高的 50 种疾病。我们以准确率和 Hit Ratio@10 作为评估模型性能的指标。研究发现，使用精简的“前 50”ICD-9 编码数据集的 NCF 模型性能低于在所有 ICD-9 编码上训练的 NCF 模型（准确率约 80%、hit ratio@10 为 35%，对比准确率约 90%、hit ratio@10 约 80%）。包含全部 ICD 编码的更稀疏数据集表现更优的原因主要归因于更大的数据量，以及基于深度学习的推荐系统在建模稀疏数据时的鲁棒性。此外，DHF 模型的结果优于 NCF 模型，其准确率达 94.4%、hit ratio@10 达 85.36%，反映出纳入临床笔记信息的重要性。此外，与文献中主要利用基于自然语言处理的预测来完成 ICD-9 编码共现任务的方法相比，这种新颖的基于深度学习的推荐系统方法表现更好。总体而言，基于深度学习的推荐系统在预测疾病共病方面已展现出潜力。
引用
@article{arxiv.2309.08613,
title = {Multimodal Recommender Systems in the Prediction of Disease Comorbidity},
author = {Aashish Cheruvu},
journal= {arXiv preprint arXiv:2309.08613},
year = {2023}
}
备注
2022 Fourth International Conference on Transdisciplinary AI (TransAI)