Snomed2Vec：用于医疗分析的临床表现知识库的随机游走与庞加莱嵌入
机器学习
2019-07-23 v1 人工智能
机器学习
摘要
将编码数据（例如诊断和药物代码）转换为连续向量空间（即向量嵌入）的表示学习方法对于深度学习在医疗领域的应用至关重要。该领域的初始工作探索了使用 word2vec 算法的变体从电子健康记录或医疗索赔数据集中学习医学概念的嵌入。我们提出通过在医疗领域广泛应用且具有众多操作和科研用途的知识图谱 SNOMED-CT 上使用基于图的表示学习方法来学习医学概念的嵌入。当前工作对各种嵌入方法进行了实证分析，包括它们在多个生物医学相关任务（节点分类、链接预测和患者状态预测）上的性能评估。我们的结果表明，从 SNOMED-CT 知识图谱导出的概念嵌入显著优于最先进的嵌入，在“概念相似性”上显示出 5-6 倍的提升，在患者诊断上显示出 6-20% 的提升。
引用
@article{arxiv.1907.08650,
title = {Snomed2Vec: Random Walk and Poincar\'e Embeddings of a Clinical Knowledge Base for Healthcare Analytics},
author = {Khushbu Agarwal and Tome Eftimov and Raghavendra Addanki and Sutanay Choudhury and Suzanne Tamang and Robert Rallo},
journal= {arXiv preprint arXiv:1907.08650},
year = {2019}
}
备注
2019 KDD Workshop on Applied Data Science for Healthcare (DSHealth '19). https://gitlab.com/agarwal.khushbu/Snomed2Vec