labelfor

利用多模态电子健康记录进行疾病风险预测的标签依赖性注意模型

疾病风险预测在现代医疗领域引起了越来越多的关注，特别是随着人工智能（AI）的最新进展。电子健康记录（EHRs），包含了不同的病人信息，被广泛用于疾病风险预测任务。应用人工智能模型进行风险预测的一个挑战在于产生可解释的证据来支持预测结果，同时保持预测能力。为了解决这个问题，我们提出了联合嵌入词和标签的方法，注意模块根据词与风险预测标签名称的相关性，从医疗笔记中学习词的权重。这种方法通过采用注意力机制和将预测任务的名称纳入模型，提高了可解释性。然而，它的应用只限于处理文本输入，如医疗笔记。在本文中，我们提出了一个标签依赖性注意模型LDAM，以1）通过利用Clinical-BERT（一个在大型临床语料库上预训练的生物医学语言模型）来联合编码生物医学意义上的特征和标签来提高可解释性；2）将联合嵌入的思想扩展到时间序列数据的处理，并开发一个多模式学习框架来整合来自医疗笔记和时间序列健康状况指标的异质信息。为了证明我们的方法，我们将LDAM应用于MIMIC-III数据集来预测不同的疾病风险。我们对我们的方法进行了定量和定性的评估。具体而言，我们将展示LDAM的预测能力，并进行案例研究以说明其可解释性。

《Label Dependent Attention Model for Disease Risk Prediction Using Multimodal Electronic Health Records》

论文地址:网页链接

A few weeks ago I was called from my nine year old son’s school. He’d been injured. My son had accidentally bumped into another boy and the boy struck him>

IG翻牌｜Emma Roberts

配文：Sunday lunch for once ☕️