TA-RNN：一种基于注意力的时间感知循环神经网络架构用于电子健康记录
机器学习
2024-07-24 v3 人工智能
摘要
动机：电子健康记录(EHR)是患者病史的全面资源。EHR对于利用深度学习(DL)等先进技术至关重要，使医疗保健提供者能够分析大量数据、提取有价值的见解并做出精确的数据驱动的临床决策。DL方法如循环神经网络(RNN)已被用于分析EHR以模拟疾病进展和预测诊断。然而，这些方法没有解决EHR数据中一些固有的不规则性，例如临床就诊之间的不规则时间间隔。此外，大多数DL模型不可解释。在本研究中，我们提出了两种基于RNN的可解释DL架构，即时间感知RNN(TA-RNN)和TA-RNN自编码器(TA-RNN-AE)，分别用于预测患者在下一次就诊和多次就诊后的临床结果。为了减轻不规则时间间隔的影响，我们提出引入就诊之间经过时间的时间嵌入。为了可解释性，我们提出采用一种双层注意力机制，该机制在就诊之间和每次就诊内的特征之间运作。结果：在阿尔茨海默病神经影像学倡议(ADNI)和国家阿尔茨海默病协调中心(NACC)数据集上进行的实验结果表明，所提模型在预测阿尔茨海默病(AD)方面优于基于F2和灵敏度的最先进方法和基线方法。此外，TA-RNN在重症监护医疗信息集市(MIMIC-III)数据集上的死亡率预测中表现出优越性能。在我们的消融研究中，我们观察到通过引入时间嵌入和注意力机制增强了预测性能。最后，研究注意力权重有助于识别预测中有影响的就诊和特征。
引用
@article{arxiv.2401.14694,
title = {TA-RNN: an Attention-based Time-aware Recurrent Neural Network Architecture for Electronic Health Records},
author = {Mohammad Al Olaimat and Serdar Bozdag},
journal= {arXiv preprint arXiv:2401.14694},
year = {2024}
}