如今，醫(yī)院以數(shù)字格式記錄健康數(shù)據(jù)。深度學習可以幫助使用這些記錄預測診斷、建議治療或模擬醫(yī)療事件之間的相關(guān)性。然而，電子健康記錄由不同類型的信息組成：連續(xù)特征(如實驗室測試)、分類特征(如診斷代碼)或自由文本臨床記錄。就目前而言，處理多模態(tài)數(shù)據(jù)的模型是手工設(shè)計的，并且是針對特定任務(wù)的。

最近的一項研究提出了一種優(yōu)化策略的新方法，用于融合健康記錄中的多模式數(shù)據(jù)。它尋找每個模態(tài)的獨立架構(gòu)和融合策略，以在正確的表示級別組合架構(gòu)。實驗表明，所建議的方法在預測診斷代碼等任務(wù)中優(yōu)于當前的單峰神經(jīng)架構(gòu)搜索方法。

將深度學習應(yīng)用于電子健康記錄(EHR)的一項重要挑戰(zhàn)是其多模態(tài)結(jié)構(gòu)的復雜性。EHR通常包含具有稀疏和不規(guī)則縱向特征的結(jié)構(gòu)化(代碼)和非結(jié)構(gòu)化(自由文本)數(shù)據(jù)的混合體——所有這些都是醫(yī)生在做出決定時使用的。在深度學習機制中，確定不同的模態(tài)表示應(yīng)該如何融合在一起是一個難題，通常通過手工建模和直覺來解決。在這項工作中，我們擴展了最先進的神經(jīng)架構(gòu)搜索(NAS)方法，并首次提出了多模態(tài)融合架構(gòu)搜索(MUFASA)，以同時搜索多模態(tài)融合策略和特定于模態(tài)的架構(gòu)。我們憑經(jīng)驗證明，我們的MUFASA方法在具有可比計算成本的公共EHR數(shù)據(jù)上優(yōu)于已建立的單峰NAS。此外，MUFASA生產(chǎn)的架構(gòu)優(yōu)于Transformer和EvolvedTransformer。與CCS診斷代碼預測的這些基線相比，我們發(fā)現(xiàn)的模型將前5名召回率從0.88提高到0.91，并展示了推廣到其他EHR任務(wù)的能力。深入研究我們的頂級架構(gòu)，我們提供了經(jīng)驗證據(jù)，證明MUFASA的改進源于其為每種數(shù)據(jù)模式定制建模和找到有效融合策略的能力。我們發(fā)現(xiàn)的模型將top-5召回率從0.88提高到0.91，并展示了推廣到其他EHR任務(wù)的能力。深入研究我們的頂級架構(gòu)，我們提供了經(jīng)驗證據(jù)，證明MUFASA的改進源于其為每種數(shù)據(jù)模式定制建模和找到有效融合策略的能力。我們發(fā)現(xiàn)的模型將top-5召回率從0.88提高到0.91，并展示了推廣到其他EHR任務(wù)的能力。通過深入研究我們的頂級架構(gòu)，我們提供了經(jīng)驗證據(jù)，證明MUFASA的改進源于其為每種數(shù)據(jù)模式定制建模和找到有效融合策略的能力。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！