马连韬^1,2,3,张超贺^1,2,焦贤锋^1,2,王亚沙^1,3,唐雯⁴,赵俊峰^1,2

¹（高可信软件技术教育部重点实验室(北京大学) 北京 100871）；²（北京大学信息科学技术学院 北京 100871）；³（北京大学软件工程国家工程中心 北京 100871）；⁴（北京大学第三医院肾内科 北京 100191) (malt@pku.edu.cn)

出版日期: 2021-12-01


基金资助:基金项目：国家自然科学基金项目(62172011)；北大百度基金资助项目(2020BD030)；中华国际医学交流基金会项目(Z-2017-24-2037)；中国博士后科学基金项目(2021TQ0011)

Dr.Deep: Interpretable Evaluation of Patient Health Status via Clinical Feature’s Context Learning

Ma Liantao^1,2,3, Zhang Chaohe^1,2, Jiao Xianfeng^1,2, Wang Yasha^1,3, Tang Wen⁴, Zhao Junfeng^1,2

¹（Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education, Beijing 100871);²(School of Electronics Engineering and Computer Science, Peking University, Beijing 100871);³(National Research Center of Software Engineering, Peking University, Beijing 100871);⁴(Division of Nephrology, Peking University Third Hospital, Beijing 100191)

Online: 2021-12-01


Supported by:This work was supported by the National Natural Science Foundation of China (62172011), PKU-Baidu Fund (2020BD030), China International Medical Foundation (Z-2017-24-2037), and China Postdoctoral Science Foundation (2021TQ0011).

摘要/Abstract

摘要： 深度学习是当前医疗多变量时序数据分析的主流方法.临床辅助决策关乎病人生命健康，因此深度模型需要抽取患者个性化表示，保证较高的分析、预测准确率；同时还需提供足够的可解释性，即能解释模型给出分析、预测结论的依据.而现有工作暂未能匹配医疗领域多变量时间序列数据的特性来进行个性化表示学习，同时源于深度学习的黑盒性质，现有模型大都可解释性不足，难以满足临床应用的需求.在此背景下，提出了基于医疗特征上下文学习的患者健康状态可解释评估方法Dr.Deep，将各变量的时序特征分别编码，利用多头去协同的自注意力机制，学习不同特征之间关联关系；提出了基于压缩激励机制的特征跳连编码，提升模型对最新病情变化的敏感性并针对不同患者情况分析特征重要性.实验表明：Dr.Deep在重症监护患者脓毒症预测、新冠肺炎重症患者出院时间预测等任务中相比业界方法性能提升，且可以针对不同患者的不同指标自适应学习其重要性作为可解释性的关键因素.同时设计并实现了基于医疗多变量时序数据分析的医生临床辅助系统，该系统建立病人的健康表示学习和预后预测模型并可视化患者病情进展以便医生分析.实验代码已开源于https://github.com/Accountable-Machine-Intelligence/Dr.Deep.所设计的智能医生可视化交互系统已发布于http://47.93.42.104/challenge/100049.

参考文献

相关文章 15

[1]	潘璇, 徐思涵, 蔡祥睿, 温延龙, 袁晓洁. 基于深度学习的数据库自然语言接口综述[J]. 计算机研究与发展, 2021, 58(9): 1925-1950.
[2]	张力天, 孔嘉漪, 樊一航, 范灵俊, 包尔固德. 基于宏微观因素的概率级别的车辆事故预测[J]. 计算机研究与发展, 2021, 58(9): 2052-2061.
[3]	丁宗元, 孙权森, 王涛, 王洪元. 基于融合多尺度标记信息的深度交互式图像分割[J]. 计算机研究与发展, 2021, 58(8): 1705-1717.
[4]	陈波冯, 李靖东, 卢兴见, 沙朝锋, 王晓玲, 张吉. 基于深度学习的图异常检测技术综述[J]. 计算机研究与发展, 2021, 58(7): 1436-1455.
[5]	王慧娇, 丛鹏, 蒋华, 韦永壮. 基于深度学习的SIMON32/64安全性分析[J]. 计算机研究与发展, 2021, 58(5): 1056-1064.
[6]	潘旭东, 张谧, 颜一帆, 陆逸凡, 杨珉. 通用深度学习语言模型的隐私风险评估[J]. 计算机研究与发展, 2021, 58(5): 1092-1105.
[7]	李明慧, 江沛佩, 王骞, 沈超, 李琦. 针对深度学习模型的对抗性攻击与防御[J]. 计算机研究与发展, 2021, 58(5): 909-926.
[8]	汪嘉来, 张超, 戚旭衍, 荣易. Windows平台恶意软件智能检测综述[J]. 计算机研究与发展, 2021, 58(5): 977-994.
[9]	周纯毅, 陈大卫, 王尚, 付安民, 高艳松. 分布式深度学习隐私与安全攻击研究进展与挑战[J]. 计算机研究与发展, 2021, 58(5): 927-943.
[10]	汪烨, 陈骏武, 夏鑫, 姜波. 智能需求获取与建模研究综述[J]. 计算机研究与发展, 2021, 58(4): 683-705.
[11]	吴宗友, 白昆龙, 杨林蕊, 王仪琦, 田英杰. 电子病历文本挖掘研究综述[J]. 计算机研究与发展, 2021, 58(3): 513-527.
[12]	廖海斌, 徐斌. 基于性别和年龄因子分析的鲁棒性人脸表情识别[J]. 计算机研究与发展, 2021, 58(3): 528-538.
[13]	付章杰, 李恩露, 程旭, 黄永峰, 胡雨婷. 基于深度学习的图像隐写研究进展[J]. 计算机研究与发展, 2021, 58(3): 548-568.
[14]	古天龙, 冯旋, 李龙, 包旭光, 李云辉. 基于社会新闻数据集的伦理行为判别方法[J]. 计算机研究与发展, 2021, 58(2): 253-263.
[15]	陈晋音, 陈奕芃, 陈一鸣, 郑海斌, 纪守领, 时杰, 程瑶. 面向深度学习的公平性研究综述[J]. 计算机研究与发展, 2021, 58(2): 264-280.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4542