RetainVis：基于可解释且可交互循环神经网络对电子病历进行可视分析
机器学习
2018-10-24 v3 人机交互
机器学习
摘要
我们最近看到了循环神经网络（RNNs）在电子病历（EMRs）上的许多成功应用，电子病历包含患者的诊断、用药和其他各种事件的历史，用于预测患者当前和未来的状态。尽管 RNNs 性能强大，用户往往难以理解模型为何做出特定预测。RNNs 的这种黑盒性质会阻碍其在临床实践中的广泛采用。此外，我们还没有成熟的方法来交互式地利用用户的领域专业知识和先验知识作为引导模型的输入。因此，我们的设计研究旨在通过医学专家、人工智能科学家和可视分析研究人员的共同努力，提供一种可视分析解决方案，以提高 RNNs 的可解释性和交互性。遵循专家之间的迭代设计过程，我们设计、实现并评估了一个称为 RetainVis 的可视分析工具，它结合了一个新改进的、可解释且可交互的基于 RNN 的模型 RetainEX，以及供用户在预测任务背景下探索 EMR 数据的可视化。我们的研究表明，利用患有心力衰竭和白内障症状患者的 EMR，RetainVis 能有效地帮助理解各个医疗代码如何贡献于风险预测。我们的研究还展示了我们对最先进的 RNN 模型 RETAIN 所做的实质性改动，以利用时间信息并增加交互性。本研究将为旨在设计可解释且可交互的 RNN 可视分析工具的研究人员提供有用指南。
引用
@article{arxiv.1805.10724,
title = {RetainVis: Visual Analytics with Interpretable and Interactive Recurrent Neural Networks on Electronic Medical Records},
author = {Bum Chul Kwon and Min-Je Choi and Joanne Taery Kim and Edward Choi and Young Bin Kim and Soonwook Kwon and Jimeng Sun and Jaegul Choo},
journal= {arXiv preprint arXiv:1805.10724},
year = {2018}
}
备注
Accepted at IEEE VIS 2018. To appear in IEEE Transactions on Visualization and Computer Graphics in January 2019