基于超网络引导多任务学习的患者结局与零样本诊断预测
计算与语言
2023-01-26 v2
摘要
多任务深度学习已被应用于基于文本的患者结局预测，以临床笔记为输入，利用多任务的联合损失函数训练深度神经网络。然而，多任务学习的联合训练方案存在任务间干扰问题，且多个任务中的诊断预测因罕见病或未见诊断而面临泛化性挑战。为解决这些挑战，我们提出一种基于超网络的方法，生成任务条件化的参数和多任务预测头的系数，以学习任务特定的预测并平衡多任务学习。我们还引入语义任务信息，以提升任务条件化多任务模型的泛化能力。在从真实世界 MIMIC 数据库提取的入院早期和出院笔记上的实验表明，我们的方法在大多数情况下能比强基线在患者结局多任务预测上取得更好性能。此外，我们的方法能有效处理信息有限的场景，并改善对未见诊断类别的零样本预测。
引用
@article{arxiv.2109.03062,
title = {Patient Outcome and Zero-shot Diagnosis Prediction with Hypernetwork-guided Multitask Learning},
author = {Shaoxiong Ji and Pekka Marttinen},
journal= {arXiv preprint arXiv:2109.03062},
year = {2023}
}
备注
EACL 2023