支持临床决策的理据生成
计算与语言
2021-11-16 v1 人工智能
摘要
用于临床人工智能（AI）的神经网络的发展依赖于可解释性、透明性和性能。深入黑盒神经网络并推导模型输出的可解释说明至关重要。一项具有高临床重要性的任务是预测患者近期再次入院的可能性，以实现高效分诊。随着电子健康记录（EHRs）的日益采用，将自然语言处理（NLP）应用于EHR中包含的临床自由文本引起了极大兴趣。在这项工作中，我们将InfoCal（当前用于其预测生成抽取式理据的state-of-the-art模型）应用于使用出院小结预测再入院的任务。我们将InfoCal生成的抽取式理据与在临床文本数据上预训练的竞争性基于transformer的模型进行比较，后者的注意力机制可用于解释。我们发现每个所呈现的具有选定可解释性或特征重要性方法的模型产生不同的结果，临床语言领域专业知识和预训练对性能和后续可解释性至关重要。
引用
@article{arxiv.2111.07611,
title = {Rationale production to support clinical decision-making},
author = {Niall Taylor and Lei Sha and Dan W Joyce and Thomas Lukasiewicz and Alejo Nevado-Holgado and Andrey Kormilitzin},
journal= {arXiv preprint arXiv:2111.07611},
year = {2021}
}
备注
Machine Learning for Health (ML4H) - Extended Abstract