SHAPE: 一种用于药物推荐的样本自适应分层预测网络
机器学习
2023-09-13 v1 人工智能
摘要
在复杂共病条件下进行有效药物推荐是医疗保健中的一项关键任务。大多数现有工作基于纵向记录预测药物，其假设学习纵向序列数据的传输模式是稳定的且就诊内医疗事件被序列化。然而，以下情况可能被忽视：1) 迫切需要一个更紧凑的编码器来刻画就诊内医疗事件的内部关系；2) 学习患者可变纵向序列准确表示的方法应有所不同。本文提出一种新颖的样本自适应分层药物预测网络，称为 SHAPE，以应对药物推荐任务中的上述挑战。具体而言，我们设计了一个紧凑的就诊内集合编码器来编码医疗事件中的关系以获得就诊级表示，进而开发了就诊间纵向编码器来高效学习患者级纵向表示。为使模型具备对可变就诊长度建模的能力，我们引入一种软课程学习方法，根据就诊长度自动分配每个样本的难度。在基准数据集上的大量实验验证了我们的模型相较于若干最先进基线的优越性。
引用
@article{arxiv.2309.05675,
title = {SHAPE: A Sample-adaptive Hierarchical Prediction Network for Medication Recommendation},
author = {Sicen Liu and Xiaolong Wang and JIngcheng Du and Yongshuai Hou and Xianbing Zhao and Hui Xu and Hui Wang and Yang Xiang and Buzhou Tang},
journal= {arXiv preprint arXiv:2309.05675},
year = {2023}
}
备注
11 pages, 6 figures