基于图卷积网络和注意力机制的诊断预测

诊断预测是医疗保健中一项重要的预测任务,其目的是根据患者的历史健康记录预测其未来的诊断。基于注意力机制和循环神经网络的预测模型被广泛应用于解决这一任务,但容易受到数据不足的影响。此外,医学领域知识在改进诊断预测模型性能上已经显示出重要作用,但现有方法还不能充分利用这些领域知识。因此,设计了一种基于图卷积网络和注意力机制的诊断预测模型。具体而言,首先利用医学本体对医学概念之间的相关性进行建模,并将患者就诊信息构建为一个图;其次,通过图卷积模块在图结构上获取患者每次就诊中各医学代码之间的空间特征;最后利用多头注意力机制来对就诊特征和多级医学知识之间的相互关系进行建模,从而对患者的未来健康状况进行预测。在两个公开的医疗数据集上的实验结果表明,该模型的诊断预测性能优于已有诊断预测模型,可以更有效地利用医学知识图中的潜在信息。

基于Node2vec和知识注意力机制的诊断预测

诊断预测根据患者的历史健康状态预测未来的诊断信息,是个体化医疗决策的核心任务。电子健康记录是患者随时间推移的健康状况和临床护理的记录,它为诊断预测提供了丰富的纵向临床数据。然而,现有基于电子健康记录的诊断预测模型还不能完全了解隐藏的疾病进展模式;其次,细粒度诊断预测的性能很大程度上依赖于富含信息的特征。为了增强表达并改进学习,设计一种基于Node2vec和知识注意力的诊断预测模型。该模型基于Node2vec从医学本体的全局结构中捕捉潜在的医学知识并将诊断代码和分类代码映射为低维向量;利用分类代码嵌入向量对患者诊断的临床知识进行编码,进一步丰富患者细粒度健康状态的特征表示;设计一种知识注意力机制并与门控循环单元结合,将领域知识和电子健康记录进行融合,从患者历史健康状态中捕捉长期关联和疾病进展模式。在现实数据集上的实验结果表明,与最新方法相比,该模型显著地提高了预测性能。此外,结果表明Node2vec可以从医学本体捕捉到蕴含更多信息的医疗概念嵌入,知识注意力机制有助于促进外部知识和电子健康记录的有效融合。