TA-RNN:一种基于注意力的时间意识的循环神经网络架构,用于电子健康记录

科学领域:

• 医疗保健中的人工智能
• 机器学习用于临床预测
• 电子健康记录的深度学习

背景情况:

• 电子健康记录 (EHR) 对于使用深度学习 (DL) 进行数据驱动的临床决策至关重要.
• 循环神经网络 (RNN) 对疾病进展和诊断分析EHR,但与不规则的时间间隔作斗争,缺乏解释性.
• 现有的DL模型往往无法解释EHR数据中的时间动态和特征重要性.

研究的目的:

• 开发可解释的深度学习架构,从EHR数据中预测患者的临床结果.
• 通过将时间信息纳入EHR数据中的不规则时间间隔的挑战.
• 通过识别有影响力的访问和特征,提高医疗保健中的DL模型的可解释性.

主要方法:

• 提出了两个可解释的深度学习架构:时间意识的RNN (TA-RNN) 和TA-RNN自动编码器 (TA-RNN-AE).
• 纳入时间嵌入,以考虑临床访问之间的不规则时间间隔.
• 采用双层注意力机制来实现可解读性,在访问中运行,并在访问中的特征中运行.

主要成果:

• 与最先进的方法相比,在ADNI和NACC数据集上预测阿尔茨海默病 (AD) 的表现优越.
• 在MIMIC-III数据集上,TA-RNN在死亡率预测方面表现卓越.
• 废弃性研究证实了时间嵌入和注意力机制的增强预测性能,有助于识别关键预测因素.

结论:

• 拟议的TA-RNN和TA-RNN-AE模型有效地预测EHR的临床结果,优于现有的方法.
• 整合时间嵌入和注意力机制显著改善模型性能和可解释性.
• 开发的模型为数据驱动的临床决策和了解疾病进展提供了有价值的工具.