論文の概要: Label Dependent Attention Model for Disease Risk Prediction Using
Multimodal Electronic Health Records
- arxiv url: http://arxiv.org/abs/2201.06779v1
- Date: Tue, 18 Jan 2022 07:21:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 15:58:00.062099
- Title: Label Dependent Attention Model for Disease Risk Prediction Using
Multimodal Electronic Health Records
- Title（参考訳）: マルチモーダル電子健康記録を用いた疾病リスク予測のためのラベル依存注意モデル
- Authors: Shuai Niu and Qing Yin and Yunya Song and Yike Guo and Xian Yang
- Abstract要約: 疾病リスク予測は、現代医療の分野で注目を集めている。
リスク予測にAIモデルを適用する上での課題のひとつは、解釈可能な証拠を生成することだ。
単語とラベルを共同で埋め込む手法を提案する。
- 参考スコア（独自算出の注目度）: 8.854691034104071
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Disease risk prediction has attracted increasing attention in the field of
modern healthcare, especially with the latest advances in artificial
intelligence (AI). Electronic health records (EHRs), which contain
heterogeneous patient information, are widely used in disease risk prediction
tasks. One challenge of applying AI models for risk prediction lies in
generating interpretable evidence to support the prediction results while
retaining the prediction ability. In order to address this problem, we propose
the method of jointly embedding words and labels whereby attention modules
learn the weights of words from medical notes according to their relevance to
the names of risk prediction labels. This approach boosts interpretability by
employing an attention mechanism and including the names of prediction tasks in
the model. However, its application is only limited to the handling of textual
inputs such as medical notes. In this paper, we propose a label dependent
attention model LDAM to 1) improve the interpretability by exploiting
Clinical-BERT (a biomedical language model pre-trained on a large clinical
corpus) to encode biomedically meaningful features and labels jointly; 2)
extend the idea of joint embedding to the processing of time-series data, and
develop a multi-modal learning framework for integrating heterogeneous
information from medical notes and time-series health status indicators. To
demonstrate our method, we apply LDAM to the MIMIC-III dataset to predict
different disease risks. We evaluate our method both quantitatively and
qualitatively. Specifically, the predictive power of LDAM will be shown, and
case studies will be carried out to illustrate its interpretability.
- Abstract（参考訳）: 疾病のリスク予測は、現代医療分野、特に人工知能(AI)の最新の進歩に注目が集まっている。
不均一な患者情報を含む電子健康記録(EHR)は、疾患リスク予測タスクに広く利用されている。
リスク予測にAIモデルを適用する上での課題のひとつは、予測能力を維持しながら予測結果をサポートするための解釈可能な証拠を生成することだ。
この問題に対処するため,注意モジュールが医療用ノートから単語の重みを学習し,リスク予測ラベルの名前との関連性に基づき,共同で単語やラベルを埋め込む手法を提案する。
このアプローチは、注意機構を採用し、モデルに予測タスクの名前を含めることで、解釈可能性を高める。
しかし,その応用は医療用ノートなどのテキスト入力の処理に限られる。
本稿では,ラベル依存型注意モデルLDAMを提案する。
1) 臨床用BERT(大規模臨床用コーパスで事前訓練されたバイオメディカル言語モデル)を用いて、生体学的に有意な特徴やラベルを共同で符号化することにより、解釈性を向上させる。
2) 共同埋め込みの考え方を時系列データの処理に拡張し, 医療ノートや時系列健康状態指標から異質な情報を統合するためのマルチモーダル学習フレームワークを開発する。
LDAMをMIMIC-IIIデータセットに適用し,異なる疾患リスクを予測する。
定量的にも定性的にも評価する。
具体的には、LDAMの予測力を示し、その解釈可能性を示すケーススタディを行う。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - Time-aware Heterogeneous Graph Transformer with Adaptive Attention Merging for Health Event Prediction [6.578298085691462]
本稿では,疾患領域の知識を同化し,薬物と疾患の複雑な関係を解明するための新しい異種グラフ学習モデルを提案する。
2つの医療データセットで評価したところ、予測精度と解釈可能性の両方において顕著な改善が見られた。
論文 参考訳（メタデータ） (2024-04-23T08:01:30Z) - Clinical Risk Prediction Using Language Models: Benefits And
Considerations [23.781690889237794]
本研究は,語彙内で構造化された記述を用いて,その情報に基づいて予測を行うことに焦点を当てた。
構造化された EHR を表すために LM を用いると、様々なリスク予測タスクにおいて、改善または少なくとも同等のパフォーマンスが得られます。
論文 参考訳（メタデータ） (2023-11-29T04:32:19Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Label-dependent and event-guided interpretable disease risk prediction
using EHRs [8.854691034104071]
本稿では,ラベル依存型,事象誘導型リスク予測モデル(LERP)を提案する。
我々は、リスクラベルの名前にセマンティックに類似した医療メモからの単語に注意を向けるラベル依存メカニズムを採用する。
臨床イベントは患者の健康状態も示すことができるため,このモデルではイベントからの情報を活用して,医療記録のイベント誘導表現を生成する。
論文 参考訳（メタデータ） (2022-01-18T07:24:28Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Interpretable Disease Prediction based on Reinforcement Path Reasoning
over Knowledge Graphs [15.339137501579087]
疾患予測タスクを知識グラフ(KG)に沿ってランダムウォークとして定式化した。
我々は, 病因と危険因子との関係を, 検証された医療知識に基づいて記録するKGを構築した。
対象物によって生成された軌跡は、所定の患者の解釈可能な疾患進行経路を表す。
論文 参考訳（メタデータ） (2020-10-16T10:46:28Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。