用于诊断预测的自解释超图神经网络
机器学习
2025-05-02 v2 人工智能
摘要
不断激增的电子健康记录（EHRs）数量使得深度学习模型在预测性医疗领域表现出色。然而，对于诊断预测等高风险应用而言，模型的可解释性仍然至关重要。现有的具有内在可解释性的深度学习诊断预测模型通常为每次既往诊断或医院就诊分配注意力权重，所提供的解释缺乏灵活性和简洁性。在本文中，我们引入了SHy，一种自解释超图神经网络模型，旨在提供个性化、简洁且忠实的解释，并允许临床专家进行干预。通过将每位患者建模为一个独特的超图并采用消息传递机制，SHy能够捕获高阶疾病相互作用，并提取独特的时间表型作为个性化解释。它还通过考虑原始诊断记录中本质上的假阴性，解决了EHR数据不完整的问题。在两个真实世界EHR数据集上的定性案例研究和广泛的定量评估表明，SHy在预测性能和可解释性方面均优于现有的最先进模型。
引用
@article{arxiv.2502.10689,
title = {Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction},
author = {Leisheng Yu and Yanxiao Cai and Minxing Zhang and Xia Hu},
journal= {arXiv preprint arXiv:2502.10689},
year = {2025}
}