論文の概要: CATNet: Cross-event Attention-based Time-aware Network for Medical Event Prediction

• arxiv url: http://arxiv.org/abs/2204.13847v1
• Date: Fri, 29 Apr 2022 01:52:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 03:36:33.144904
• Title: CATNet: Cross-event Attention-based Time-aware Network for Medical Event Prediction
• Title（参考訳）: CATNet:医療イベント予測のためのクロスイベントアテンションベースのタイムアウェアネットワーク
• Authors: Sicen Liu, Xiaolong Wang, Yang Xiang, Hui Xu, Hui Wang, Buzhou Tang
• Abstract要約: 我々は,医療イベント予測のためのクロスイベントアテンションベースの時間認識ネットワーク(CATNet)と呼ばれる,アテンション機構に基づく新しいニューラルネットワークを提案する。 2つの公開データセット(MIMIC-IIIとeICU)の実験では、CATNetは異なるMEPタスクに適応可能であり、様々なMEPタスクで他の最先端メソッドよりも優れていることが示されている。
• 参考スコア（独自算出の注目度）: 17.20965111869238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical event prediction (MEP) is a fundamental task in the medical domain, which needs to predict medical events, including medications, diagnosis codes, laboratory tests, procedures, outcomes, and so on, according to historical medical records. The task is challenging as medical data is a type of complex time series data with heterogeneous and temporal irregular characteristics. Many machine learning methods that consider the two characteristics have been proposed for medical event prediction. However, most of them consider the two characteristics separately and ignore the correlations among different types of medical events, especially relations between historical medical events and target medical events. In this paper, we propose a novel neural network based on attention mechanism, called cross-event attention-based time-aware network (CATNet), for medical event prediction. It is a time-aware, event-aware and task-adaptive method with the following advantages: 1) modeling heterogeneous information and temporal information in a unified way and considering temporal irregular characteristics locally and globally respectively, 2) taking full advantage of correlations among different types of events via cross-event attention. Experiments on two public datasets (MIMIC-III and eICU) show CATNet can be adaptive with different MEP tasks and outperforms other state-of-the-art methods on various MEP tasks. The source code of CATNet will be released after this manuscript is accepted.
• Abstract（参考訳）: 医学イベント予測(MEP)は、医学領域における基本的な課題であり、歴史的医療記録によると、医薬品、診断コード、検査検査、手順、結果などの医療イベントを予測する必要がある。 医療データは異種・時間的不規則な特徴を持つ複雑な時系列データの一種である。 この2つの特徴を考慮した多くの機械学習手法が医療イベント予測のために提案されている。 しかし、これらの2つの特徴は別々に考えており、様々な医療イベント、特に歴史的医療イベントと標的医療イベントの関係の相関を無視している。 本稿では,医療イベント予測のために,クロスイベントアテンションベースの時間認識ネットワーク(CATNet)と呼ばれる,アテンション機構に基づく新しいニューラルネットワークを提案する。 タイムアウェア、イベントアウェア、タスクアダプティブのメソッドで、以下の利点があります。 1) 異種情報と時間的情報を統一的にモデル化し, 時間的不規則な特徴を地域的・地域的に考慮する。 2) 異なる種類のイベント間の相関を, 横断的注意によって完全に活用する。 2つの公開データセット(MIMIC-IIIとeICU)の実験では、CATNetは異なるMEPタスクに適応可能であり、様々なMEPタスクで他の最先端メソッドよりも優れていることが示されている。 CATNetのソースコードは、この原稿が受け入れられた後にリリースされる。

関連論文リスト

• Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
  我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。 空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。 時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:15:09Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Clinically-Inspired Multi-Agent Transformers for Disease Trajectory Forecasting from Multimodal Data [13.766035805437847]
  予測問題を一対多の予測問題として定式化する。 2つのエージェントによる臨床的意思決定プロセスにインスパイアされ、2つのトランスフォーマーベースコンポーネントによる予後を予測する。 本研究は, 変形性膝関節症の発生を予測し, 生のマルチモーダルデータから直接アルツハイマー病の臨床像を予測するためのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-25T10:16:42Z)
• Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
  我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。 本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
  論文  参考訳（メタデータ） (2022-02-11T01:29:02Z)
• 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)
• A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data [7.735948372571363]
  不規則サンプリング時系列(ISTS)データは、観測とシーケンス間の異なるサンプリング率の間に不規則な時間間隔を持つ。 EHRデータの深層学習法は、パーソナライズされた治療、正確な診断、医療管理に重要である。 本稿では,これらの深層学習手法を,技術とタスクの観点から概観する。
  論文  参考訳（メタデータ） (2020-10-23T15:51:23Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Neural Conditional Event Time Models [11.920908437656413]
  イベント時間モデルは、既知の特徴に基づいて、関心のあるイベントの発生時間を予測する。 我々は,a)事象発生確率,b)発生予測時刻を区別する条件付き事象時刻モデルを開発する。 その結果, 合成データ, 医療イベント (MIMIC-III) , ソーシャルメディア投稿において, イベント発生およびイベント時間予測の精度が向上した。
  論文  参考訳（メタデータ） (2020-04-03T05:08:13Z)

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。