论文部分内容阅读
随着电子病历系统在全球大范围的应用和深度学习浪潮的推动,如何利用深度学习挖掘患者电子病历数据,辅助医务人员治疗,提高临床诊断的准确率,降低医疗成本已经成为目前研究的热点。本文利用深度学习相关方法,在患者病程治疗和ICU干预等任务做了相关研究与尝试。本文的主要工作总结如下:(1)本文提出基于注意力机制的多任务序列特征学习(AGSFLM)模型,AGSFLM在多任务学习基础上引入注意力机制,以此来学习不同任务的公共特征和私有特征。本文在MIMIC-Ⅲ数据集上对基于注意力机制的多任务序列特征学习模型进行了检验,实验结果表明该方法可以显著提高预测准确率,与目前最新的模型比较也有优异的效果。(2)针对普通的回归方法无法对患者住院时间较好的估计,本文考虑到患者住院时间可以看做有序的标签预测问题,提出了利用有序回归(Ordinal Regression)对患者住院时间进行建模的方法。本文在深度学习基础上考虑患者住院时间的顺序关系,将有序回归方法与深度学习结合起来,实验结果表明,有序回归和深度学习结合的方法降低了患者住院时间预测的误差,提高了模型的准确率。(3)针对ICU病房中医务人员经常需要提前判断患者是否需要人工干预的问题,本文根据MIMIC-Ⅲ数据集定义了插管、血管活性药物注射和镇静剂注射等任务,并且利用患者前缀信息和缺失值标识变量对缺失数据进行补充,此外由于传统方法大多数依赖于医务人员的先验知识,本文通过卷积神经网络和循环神经网络对上述任务在单任务和多任务两个方面分别做了预测,其过程无需非常专业的医疗领域背景知识即可达到比较高的准确率。(4)本文提出基于时间序列的多任务深度混合专家模型(TSDMEML),TSDMEML模型在时序数据上将混合专家模型与多任务模型结合起来,主要是由全局特征层,多层的混合专家模型和顶部的多任务混合专家模型组成。本文利用TSDMEML在插管、血管活性药物注射和镇静剂注射任务上做了相关实验,实验结果表明,TSDMEML模型比传统混合专家模型和多任务模型效果更好。