MUSE-Net：面向不规则纵向电子健康记录的缺失感知多分支自注意力编码器
机器学习
2025-03-06 v2
摘要
大数据时代使得大量临床数据可获得，尤其是以电子健康记录（EHR）形式呈现，为开发数据驱动的诊断工具以提升临床决策提供了前所未有的机会。然而，EHR在数据驱动建模中面临诊间不规则的多变量时间序列、数据不完整以及数据不平衡等挑战。充分发挥EHR数据潜力取决于发展先进的分析模型。本文提出一种新型的Missingness-aware mUlti-branching Self-Attention Encoder（MUSE-Net），以应对纵向EHR建模中数据驱动疾病预测的挑战。 proposed MUSE-Net由四个新模块组成：（1）具备缺失值掩码的多任务高斯过程（MGP）用于数据插值；（2）多分支架构以解决数据不平衡问题；（3）时序感知自注意力编码器以考虑纵向EHR中不规则间隔时间；（4）可解释的多头注意力机制提供对不同时间点在疾病预测中重要性的洞见，使临床医生能够追踪模型决策。我们使用合成数据和真实数据评估了所提出的MUSE-Net。实验结果表明，MUSE-Net在处理纵向信号方面优于现有方法。
引用
@article{arxiv.2407.00840,
title = {MUSE-Net: Missingness-aware mUlti-branching Self-attention Encoder for Irregular Longitudinal Electronic Health Records},
author = {Zekai Wang and Tieming Liu and Bing Yao},
journal= {arXiv preprint arXiv:2407.00840},
year = {2025}
}