(2016SDM) Risk Prediction with Electronic Health Records A Deep Learning Approach
论文:https://epubs.siam.org/doi/pdf/10.1137/1.9781611974348.49 或者 https://pan.baidu.com/s/1P0zot2skc7HPTY4ZVpU-6w
机构: IBM
表示方式:
从电子病历记录EHR中提取特征的挑战:High-Dimensionality, Temporality, Sparsity, Irregularity, Bias.
电子病历记录EHR的表示方式:
- Vector Based Representaion
这种表示方法将每个病人表示成一个向量。它的维度等于出现在EHR中的疾病个数,各维度上的值为对应疾病的统计量(比如总和,平均值,最大值,最小值等)。这种表示方式相当于各个疾病表示的线性组合。缺点是它忽略了就诊之间的时间关系。 - Tensor Based Representation
这种表示方法将每个病人表示成一个张量。张量的每个维度代表一种类型的实体,比如病人、药物或疾病,值为不同就诊事件下统计量。这种表示方法挖掘了不同医疗实体间的关系,缺点是忽略了就诊之间的时间关系。 - Sequence Based Representation
这种表示方法将每个病人表示成一个序列。按照每次就诊的时间,排列成一个序列。 - Temporal Matrix Based Representation
这种表示方法将每个病人表示成矩阵,一个维度对应时间,一个维度对应疾病。
本文中采用的是Temporal Matrix Based Representation。
模型:
本文使用 CNN 来自动提取特征,但不能直接使用标准的 CNN 。原因:(1)疾病之间的位置是无意义的;(2)各个病人的矩阵表示在时间维度上大小不同;(3)就诊事件之间是连续的,不能断裂。
基本模型 Basic Model,也就是标准流程:one-side convolution operation + pooling + fully connected layer + softmax
论文中,采用把数据拆分成一些固定大小的 sub-frames,然后再融合的方式。
Single Frame : 把所有数据当做一个frame,然后采用上述基本模型,区别是增加了一个归一化层 normalization layer。
Temporal Early Fusion : 在最开始特征提取阶段就进行信息融合。更改基本模型中的卷积操作,将其拓展到所有 sub-frame 上。
Temporal Late Fusion : 在最后的全连接层进行融合。
Temporal Slow Fusion : 结合了early fusion 和 late fusion,在最开始的卷积层和最后的全连接层都进行融合。
BibTeX:
@inproceedings{DBLP:conf/sdm/ChengWZH16,author = {Yu Cheng andFei Wang andPing Zhang andJianying Hu},title = {Risk Prediction with Electronic Health Records: {A} Deep LearningApproach},booktitle = {Proceedings of the 2016 {SIAM} International Conference on Data Mining,Miami, Florida, USA, May 5-7, 2016},pages = {432--440},year = {2016},url = {https://doi.org/10.1137/1.9781611974348.49},doi = {10.1137/1.9781611974348.49},timestamp = {Tue, 05 Mar 2019 15:30:10 +0100},biburl = {https://dblp.org/rec/bib/conf/sdm/ChengWZH16},bibsource = {dblp computer science bibliography, https://dblp.org}
}
(2016SDM) Risk Prediction with Electronic Health Records A Deep Learning Approach相关推荐
- An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records
无监督从电子健康病例预测患者未来的健康 摘要 电子健康记录(EHR)的二次使用有望推动临床研究的发展和改善告知临床决策.汇总和表示患者数据方面的挑战阻止了使用EHR进行预测建模的广泛实践.在这里,我们 ...
- 解读《A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome》
全文名称:A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Us ...
- MiME: Multilevel Medical Embedding of Electronic Health Records for Predictive Healthcare
原文 摘要 使用电子病历的许多医学健康预测任务重,深度学习模型展示出了非常杰出的表现.但是这些模型大都需要大量的训练数据,以超过其他大多数医疗系统的能力.一些外部资源,比如医学本体,经常被用作桥接 ...
- [论文阅读]使用深度学习方法预测蛋白质磷酸化位点DeepPhos: prediction of protein phosphorylation sites with deep learning(一)
文章目录 摘要 一.背景 二.数据收集和预处理 三.Deepphos框架和模型训练 摘要 这项研究中,文章提出了一种新颖的多层CNN架构DeepPhos,以准确预测具有蛋白质序列信息的磷酸化位点.与之 ...
- 【论文导读】- E-LSTM-D: A Deep Learning Framework for Dynamic Network Link Prediction(动态网络链接预测)
文章目录 论文信息 摘要 论文贡献 问题定义 动态网络 动态网络链接预测 E-LSTM-D 框架 Encoder–Decoder结构 1. 编码器(Encoder) 2. 解码器(Decoder) 堆 ...
- 交通预测论文翻译:Deep Learning on Traffic Prediction: Methods,Analysis and Future Directions
原文链接:[2004.08555v3] Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions (ar ...
- DF-TAR: A Deep Fusion Network for Citywide Traffic Accident Risk Prediction... 阅读笔记
再好的笔记也难以还原原文的精彩,看完笔记,记得阅读原文 DF-TAR: A Deep Fusion Network for Citywide Traffic Accident Risk Predict ...
- Lung Cancer Recurrence Risk Prediction through Integrated Deep Learning Evaluation【AI 肺癌复发预测】详解
[利用深度学习评估预测肺癌复发风险:Lung Cancer Recurrence Risk Prediction through Integrated Deep Learning Evaluation ...
- 【兴趣阅读】DeepInf: Social Influence Prediction with Deep Learning
文章目录 1. 论文阅读 1.1. 前言 1.2. 阅读笔记 1.2.1 研究点的引出 1.2.2 相关工作 1.2.3 社交影响 1.2.3.1 r-neighbors 1.2.3.2 Social ...
最新文章
- ReportDB数据库存储选型分析
- Linux下NDK的安装配置
- 华为锁屏后微信无法连接服务器,怎么解决华为p9锁屏收不到微信信息【教程详解】...
- maven profile实现多环境构建 (单项目多套配置)
- 初中物理凸透镜成像动态图_初中物理:凸透镜成像、望远镜与显微镜的区别
- bzoj1061 志愿者招募
- JQuery提交表单
- 在cmd下载清华镜像
- 微信逆向:如何统计好友添加数据和聊天记录数据?
- 实验一 单片机 绘制原理图
- WPS设置章节多级标题自动编号(详细实用)
- jsp+servelt+mysql+tomcat 四六级单词查询系统
- php选课删除选课成绩统计,高校选修课平时成绩管理系统
- 利用CH341A编程器刷新BIOS,恢复BIOS,妈妈再也不用担心BIOS刷坏了
- java bitmap api,RoaringBitmap的使用
- 产品级Flutter开源项目FunAndroid,Provider MVVM的最佳实践
- php请求403 forbidden,403 forbidden是什么意思
- 固定资产管理mysql_固定资产管理系统数据库设计
- 被迫解除劳动关系通知书
- 倾斜摄影数据转cesium 3dtile(详细步骤)
热门文章
- 云计算供应商的分类及代表厂商
- 小米手机刷机固件下载链接
- linux代码怎么运行gedit,Linux中gedit命令起什么作用呢?
- Ubuntu14.04系统下,如何将.iso文件刻录到CD/DVD光盘
- 达梦查询锁表解除、锁超时
- Arcgis中栅格计算器赋值python代码
- 求圆周率pi的近似值
- LeafletJS 简单使用1 - 地图标点 L.marker()、清除标点 layerGroup.clearLayers() 【SuperMap iClient for Leaflet】超图的使用
- C++小游戏——走迷宫
- 2019年注册会计师考试全套高清视频课件百度云网盘免费下载方法