TRACE：基于 Transformer 增强特征嵌入的慢性肾病发病早期检测
机器学习
2020-12-08 v1
摘要
慢性肾病（CKD）因相关的过多危险因素和合并症而预后不良。CKD 的早期检测面临阳性患者病史不足和危险因素复杂等挑战。在本文中，我们提出 TRACE（Transformer-RNN 自编码器增强的 CKD 检测器）框架，一种利用患者病史数据的端到端预测模型，以应对这些挑战。TRACE 通过一新颖关键组件——Transformer-RNN 自编码器——给出全面的病史表示。该自编码器通过 Transformer 联合学习每次就诊的医疗概念嵌入，以及概括患者所有就诊病史的潜在表示。我们在源自真实世界医疗记录的数据集上将 TRACE 与多种最先进方法进行比较。我们的模型取得了 0.5708 的 AUPRC，相对最佳方法提升 2.31%。我们还通过可视化和案例研究验证了所学嵌入的临床意义，显示出 TRACE 作为通用疾病预测模型的潜力。
引用
@article{arxiv.2012.03729,
title = {TRACE: Early Detection of Chronic Kidney Disease Onset with Transformer-Enhanced Feature Embedding},
author = {Yu Wang and Ziqiao Guan and Wei Hou and Fusheng Wang},
journal= {arXiv preprint arXiv:2012.03729},
year = {2020}
}