NIPSAug, 2016

RETAIN：逆向时间注意机制用于医疗保健的可解释性预测模型

PDF
TL;DR开发了一种基于二级神经注意力模型的逆向时间注意模型（RETAIN），用于应用于电子健康记录（EHR）数据，能在保持临床可解释性的同时实现高准确性，并在大规模健康系统 EHR 数据集上进行了测试，展示出与 RNN 和传统模型相当的预测准确性和计算可扩展性。
predictive modelsinterpretablerecurrent neural networkselectronic health recordscomputational scalability
发现论文，激发创造
  • RetainVis: 电子病历可解释互动循环神经网络的可视化分析

    设计了 RetainVis 工具来提高基于可解释和可交互 Recurrent Neural Networks 的电子病历风险预测模型的可解释性与交互性，通过对心力衰竭和白内障症状的患者的 EMR 数据进行的实验，研究证明了该工具的有效性。

    May, 2018

  • TA-RNN：一种基于注意力的、面向时间的递归神经网络架构，用于电子病历

    提出了两种基于 RNN 的可解释 DL 结构，即 TA-RNN 和 TA-RNN-Autoencoder，用于在下次访问和多次访问中预测患者的临床结果。实验证明，这些模型在预测阿尔茨海默病和死亡的性能方面超过了其他方法，并且在包括可变时间间隔的数据中也表现出色。

    Jan, 2024

  • 使用注意力模型进行临床时间序列分析

    该论文针对临床时间序列数据，采用注意力机制代替循环神经网络，提出了一种新的架构 SAnD（Simply Attend and Diagnose），并证明该方法在多项诊断任务中表现优异，胜过 LSTM 模型和基于手工特征的经典基线模型。

    Nov, 2017

  • 基于电子健康记录的可解释深度学习框架用于预测医院再入院情况

    通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

    Oct, 2023

  • 电子健康记录的基于概念的模型解释

    本研究扩展了 Concept Activation Vectors（TCAV）方法应用于时序数据，以实现在电子医疗记录中进行序列预测，并通过临床应用开放数据和合成数据进行了评估。

    Dec, 2020

  • 使用近无限的历史进行通用检索增强医学预测模型

    通过检索增强型医学预测模型（REMed）在电子健康记录上构建临床预测模型，无需手动特征选择和受限观测窗口，验证实验显示 REMed 优于其他架构，能加速电子健康记录预测模型的开发过程。

    Oct, 2023

  • 用于可解释系统日志异常检测的循环神经网络注意力机制

    本研究中，我们利用带有 attention 机制的 RNN 语言模型来进行深度学习方法的可解释性应用于计算机系统和日志数据的异常检测，实现了卓越的性能和可解释性。

    Mar, 2018

  • 临床笔记的注意力分析用于预测任务

    本研究使用两个电子病历文本库和四个预测任务，探索了注意机制在神经模型中的作用，发现注意机制的加入有望提高模型性能，但对预测的支持意义尚不明确。

    Apr, 2019

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • 可解释的医疗索赔建模（不仅是事后解释）以预防可避免的所有原因再入院或死亡

    使用 Bayesian 模型和医疗索赔数据构建了一个可解释的生存模型，预测患者出院后的复诊和死亡风险，除了提高准确度，还能够量化相关风险因素和出院前景。

    Aug, 2022