用于患者结局预测的文本数据增强
计算与语言
2022-11-15 v1 人工智能
摘要
深度学习模型已在多种医疗应用中展现出优越性能。然而，这些深度模型的主要局限通常在于缺乏高质量训练数据，这是由该领域的私密性与敏感性所致。在本研究中，我们提出一种新颖的文本数据增强方法，用于生成患者电子健康记录（EHR）中的人工临床笔记，可作为患者结局预测的额外训练数据。本质上，我们对生成式语言模型 GPT-2 进行微调，以利用原始训练数据合成带标签文本。更具体地，我们提出一种师生框架：首先在原始数据上预训练教师模型，然后在教师指导下于 GPT 增强数据上训练学生模型。我们在最常见的患者结局即 30 天再入院率上评估了我们的方法。实验结果表明，深度模型可借助增强数据提升其预测性能，表明所提架构的有效性。
引用
@article{arxiv.2211.06778,
title = {Textual Data Augmentation for Patient Outcomes Prediction},
author = {Qiuhao Lu and Dejing Dou and Thien Huu Nguyen},
journal= {arXiv preprint arXiv:2211.06778},
year = {2022}
}
备注
BIBM 2021