DeepSelective: Feature Gating and Representation Matching for Interpretable Clinical Prediction

要約

電子健康記録（EHRS）の急速な蓄積は、臨床的予測と診断を強化する貴重なデータを提供することにより、医療を変革しました。
従来の機械学習モデルは効果的であることが証明されていますが、多くの場合、堅牢な表現学習が欠けており、専門家が作成した機能に大きく依存しています。
ディープラーニングは強力なソリューションを提供しますが、解釈可能性の欠如について批判されていることがよくあります。
これらの課題に対処するために、EHRデータを使用して患者の予後を予測するための新しい終わりから末端学習フレームワークであるDeepSeectiveを提案します。
DeepSeectiveは、データ圧縮技術と革新的な機能選択アプローチを組み合わせて、正確性と解釈性の両方を向上させるために連携するカスタム設計モジュールを統合します。
私たちの実験は、深い選択が予測精度を高めるだけでなく、解釈性を大幅に改善し、臨床的意思決定のための貴重なツールになることを示しています。
ソースコードは、http：//www.healthinformaticslab.org/supp/resources.phpで無料で入手できます。

要約(オリジナル)

The rapid accumulation of Electronic Health Records (EHRs) has transformed healthcare by providing valuable data that enhance clinical predictions and diagnoses. While conventional machine learning models have proven effective, they often lack robust representation learning and depend heavily on expert-crafted features. Although deep learning offers powerful solutions, it is often criticized for its lack of interpretability. To address these challenges, we propose DeepSelective, a novel end to end deep learning framework for predicting patient prognosis using EHR data, with a strong emphasis on enhancing model interpretability. DeepSelective combines data compression techniques with an innovative feature selection approach, integrating custom-designed modules that work together to improve both accuracy and interpretability. Our experiments demonstrate that DeepSelective not only enhances predictive accuracy but also significantly improves interpretability, making it a valuable tool for clinical decision-making. The source code is freely available at http://www.healthinformaticslab.org/supp/resources.php .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google