以图形为导向的深度散列网络用于类似的患者检索
Yifan Gu1, Xuebing Yang2, Mengxuan Sun3
1Renal Division, Department of Medicine, Peking University First Hospital, Beijing, China; State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), Institute of Automation, Chinese Academy of Sciences, Beijing, China; School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China.
Computers in biology and medicine
|December 29, 2023
概括
本研究介绍了以图形为导向的深度哈希网络 (GDHN),以实现高效的电子健康记录 (EHR) 检索. 通过利用药物类别信息和图形卷积网络,GDHN提高了患者相似性搜索的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 电子健康记录 (EHR) 正在快速增长,需要有效的类似患者检索以支持临床决策.
- 目前的检索方法面临着挑战,因为EHR数据的高维度,体积和异质性.
- 现有的哈希编码技术提高了效率,但由于没有完全探索实例特征,因此往往会牺牲检索准确性.
研究的目的:
- 提出一个新的框架,图形引导深度哈希网络 (GDHN),用于准确和高效的类似患者从电子健康记录中检索.
- 为了利用多标签药物类别中的语义信息作为确定患者相似性的基本真理.
- 通过结合标签相关性来增强哈希代码的区分能力.
主要方法:
- 构建了一个标签图,其中节点代表药物类别,以捕捉多标签之间的相关性.
- 使用图形卷积网络 (GCN) 来获得每个患者实例的多标签嵌入.
- 利用这些学习的嵌入来指导深度哈希过程以生成信息化哈希代码.
主要成果:
- 与传统和最先进的深度哈希方法相比,GDHN在两个数据集中表现出卓越的性能,包括真实世界的IgA脏病和MIMIC-III数据.
- 拟议的方法在各种哈希代码长度下取得了更好的结果,验证了其有效性.
- 为了患者的检索,GDHN成功地生成了更多信息和歧视性的哈希代码.
结论:
- 图形引导的深度哈希网络 (GDHN) 在类似的患者从电子健康记录中获取数据方面取得了重大进展.
- 利用药物类别语义和图形卷积网络可以提高检索准确性和效率.
- 拟议的框架为依赖EHR数据分析的临床决策支持应用提供了强大的解决方案.
