图形神经网络用于增强预测中风后新的心房动发作

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 机器学习是机器学习.

背景情况:

• 传统的统计和机器学习 (ML) 模型用于预测中风后心房动 (AF) 等不良临床事件,往往忽视了患者的相互依赖.
• 现有的模型假设患者独立,限制其捕捉医疗保健数据中复杂的关系模式的能力.

研究的目的:

• 开发一种新的基于图形的风险预测模型,用于使用图形卷积网络 (GCN) 和图形注意力网络 (GAT) 在重症中风患者的AF.
• 为构建图表引入患者特定的相似度指标,并探索GNN可解释性方法.

主要方法:

• 使用一种新的,针对患者的方法构建了一个患者相似度图.
• 应用图形卷积网络 (GCN) 和图形注意网络 (GAT) 用于AF风险预测.
• 利用了GNN可解释性技术,包括沙普利值分析和注意力系数解释.

主要成果:

• 与传统算法 (随机森林,XGBoost,物流回归) 相比,GCN和GAT模型在AF风险预测方面取得了更好的表现.
• GCN实现了0.81 [0.78-0.84] 的AUC,GAT实现了0.84 [0.81-0.87] 的AUC,超过了最好的传统模型0.78 [0.74-0.82] 的AUC.
• 定制相似度指标显著提高了模型性能,强调了特定任务图形构建的重要性.

结论:

• 图形神经网络 (GNN) 有效地捕捉复杂的患者关系,以改善中风后的AF风险预测.
• 建议的患者特异性相似度指标和GNN可解释性方法为临床风险建模提供了有价值的见解.
• 这种基于GNN的方法证明了对其他临床风险预测任务的概括性.