可解释的层次注意力机制网络危重症预警OA北大核心CSCDCSTPCD
Early Warning of Critical Illness Based on Explicable Hierarchical Attention Mechanism
准确性和可解释性是决定预测模型是否能够成功应用的两个主要因素.Logistic回归等统计分析模型尽管预测精度不高,但因其易于表达而被广泛采用.与之相对的基于循环神经网络(RNN)或卷积神经网络(CNN)等深度学习"黑盒模型",准确率较高却通常难以理解.在医疗领域上述因素的权衡是目前相关研究面临的巨大挑战,通过对某三甲医院CIS系统采集住院患者生理指标数据进行实验分析,建立了基于可解释的层次注意力网络(Inter-pretable Hierarchical Attention Network,IHAN)用于提前预警患者抢救过程中可能并发的危急重症.IHAN在实验准确率方面优于其他神经网络模型,并且能够模仿人类的行为,重点关注患者生理数据中时间及风险因素两个维度上的异常,在保持较高准确率的情况下,同时达到了较好的可解释性.
王天罡;张晓滨;马红叶;蔡宏伟
西安工程大学 计算机科学学院,西安 710048西安交通大学第一附属医院 网络信息部,西安 710061西安工程大学 计算机科学学院,西安 710048西安交通大学第一附属医院 重症医学科,西安 710061
医药卫生
层次注意力机制循环神经网络疾病预警可解释性
《计算机工程与应用》 2021 (5)
131-138,8
陕西省社会发展科技公关项目(2016SF-006)西安交通大学第一附属医院院基金软科学项目(2018RKX-04).
评论