基于电子健康记录语义隐表示的无监督表型异常标注
计算与语言
2019-11-12 v1
摘要
从电子健康记录（EHRs）中提取天然包含的表型信息，已被证明在疾病诊断等多种临床信息学应用中十分有用。然而，由于描述不精确、缺乏金标准以及对效率的需求，在数百万份 EHR 文本上标注表型异常仍然具有挑战性。在这项工作中，我们提出了一种新颖的无监督深度学习框架，通过语义隐表示从 EHRs 中标注表型异常。该框架利用人类表型本体（HPO，一个表型异常知识库）来标准化标注结果。我们在来自 MIMIC-III 数据集的 52,722 份 EHRs 上进行了实验。定量与定性分析表明，与其他方法相比，所提框架达到了最先进的标注性能和计算效率。
引用
@article{arxiv.1911.03862,
title = {Unsupervised Annotation of Phenotypic Abnormalities via Semantic Latent Representations on Electronic Health Records},
author = {Jingqing Zhang and Xiaoyu Zhang and Kai Sun and Xian Yang and Chengliang Dai and Yike Guo},
journal= {arXiv preprint arXiv:1911.03862},
year = {2019}
}
备注
Accepted by BIBM 2019 (Regular)