基于临床文本的无监督患者表示及可解释分类决策
计算与语言
2017-11-15 v1
摘要
我们在本工作中主要有两点贡献:1. 我们探索使用堆叠去噪自编码器和段落向量模型,直接从临床文本中学习任务无关的稠密患者表示。我们通过将这些表示作为多个监督设置中的特征来评估它们,并将其性能与稀疏表示的性能进行比较。2. 为理解和解释这些表示,我们探索从自编码器模型获得的患者表示中最佳编码的特征。此外,当我们使用这些预训练表示作为输入时,我们计算所训练分类器输入特征的重要性。
引用
@article{arxiv.1711.05198,
title = {Unsupervised patient representations from clinical notes with interpretable classification decisions},
author = {Madhumita Sushil and Simon Šuster and Kim Luyckx and Walter Daelemans},
journal= {arXiv preprint arXiv:1711.05198},
year = {2017}
}
备注
Accepted poster at NIPS 2017 Workshop on Machine Learning for Health (https://ml4health.github.io/2017/)