论文浅尝 - SIAM ICDM 2020 | 基于图时空网络的知识引导的诊断预测

论文笔记整理：吴锐，东南大学硕士。

---

来源：SIAM ICDM 2020

论文下载地址：

https://epubs.siam.org/doi/abs/10.1137/1.9781611976236.3

动机

      基于电子病历（EHR，Electronic Health Records）对患者未来的健康状态进行预测是一个重要的研究课题。由于EHR数据的时序性质，该任务的主要挑战在于如何正确对患者的访问序列进行建模。RNN结合attention机制已经被广泛用于解决该问题，但该方法常常会受到数据量不足的影响。例如，对于一些罕见的疾病，在数据中所出现的次数往往会很少，甚至是个位数，这对深度学习模型的学习非常不利。对此，一些学者提出了引入了医疗知识（例如医学知识图谱）作为指导的模型进行预测，从而解决该问题。这些模型虽然能够为医学变量（例如不同的疾病）学习到加入了知识的、合理的embedding，但是它们只能够部分地利用知识图谱中存在的信息，而无法充分获取其图结构的特征。这些图结构信息可能会有助于提升模型的预测效果。

贡献

       为了解决这个问题，作者提出了一种端到端的、鲁棒的解决方法，称之为基于图神经网络的诊断预测（GNDP，Graph Neural Networks based Diagnosis Prediction）。该方法能够从患者的序列图中学习到空间上以及时间上的pattern，并且这些pattern自然地融入了领域知识。其基本思想在于，根据医学本体中的层级结构与关系，来构建图形式的EHR数据。

图1

       数据的原本形式如图1（a）所示，即一个visit的序列数据，每个visit下面会有一些诊断的疾病信息（A, B, C, D）。根据医学疾病的本体图（例如ICD，International Classification of Diseases或CCS，Clinical Classifications Software）࿰