面向纵向异构医疗数据的时间引导高阶注意力模型
机器学习
2019-12-03 v1
摘要
由于其在慢性病管理与个性化医疗中的潜在应用，电子健康记录（EHRs）数据分析已引起研究人员与从业者的广泛关注。对纵向且异构的 EHRs 数据建模面临三大挑战：异构性、不规则时间性与可解释性。一系列深度学习方法在应对这些挑战方面取得了显著进展。然而，现有多数注意力模型依赖于捕捉特征元素间的 1 阶时间依赖或 2 阶多模态关系。本文中，我们提出一种时间引导高阶注意力（TGHOA）模型。所提方法具有三大主要优势：（1）它可通过捕捉不同模态的 3 阶相关性及历史事件的不规则时间影响，对纵向异构 EHRs 数据建模；（2）它可用于识别医疗特征的潜在关注点，以解释医疗模型的推理过程；（3）它易于扩展至更多模态的情形，并可灵活应用于不同预测任务。我们在两个真实世界 EHRs 数据集上的死亡率预测与疾病排序两项任务中评估了所提方法。大量实验结果展示了该模型的有效性。
引用
@article{arxiv.1912.00773,
title = {Time-Guided High-Order Attention Model of Longitudinal Heterogeneous Healthcare Data},
author = {Yi Huang and Xiaoshan Yang and Changsheng Xu},
journal= {arXiv preprint arXiv:1912.00773},
year = {2019}
}
备注
PRICAI-2019