Graph Neural Network on Electronic Health Records for Predicting Alzheimer’s Disease

下载地址：https://arxiv.org/pdf/1912.03761v1.pdf
code：https://github.com/NYUMedML/GNN_for_EHR

摘要

基于电子病历和图神经网络预测AD。
本文根据真实的EHR能够提前12-24个月预测AD,并且在稀疏电子病历中改善了预测性能。另外，本文通过模型学习每个图结构，进一步探索了不同诊断、实验室值以及电子病历流程之间的结构关系。

引言：

对于非网格数据，利用图神经网络提取数据特征对于卷积神经网络具有很好的泛化性能。Electronic Health Records (EHR) 具有稀疏性，而且很大概率具有缺失值。因为CNN能够从缺失像素值的图像中提取特征，那么GNN也能类似的根据其他实体的表示推理出缺失实体，从而得到一个解释性和泛化性能更好的表示。

基于电子健康病历预测AD的两大挑战：
大多数EHR是稀疏的，缺少很多疾病记录或者实验评估数据
其次，在EHR中所有变量类型之间的关系图结构很难构建，因为它需要大量的精力和专业知识才能为超过40万个节点手动构建合理的图结构，并且现有的本体仅捕获孤立的变量组之间的一小部分关系 。

本文利用Graph Attention Network 解决上述两大挑战，并根据EHR预测未确诊为AD的病人未来12-24月的AD诊断结果。

相关工作

GCN信号处理
GAT：图注意力网络（GAT）在图中的每个节点及其相邻节点上及其自身上学习局部特征，而不是使用频谱过滤器。 在这种架构中，GAT可以为边缘分配不同的重要性，从而增加了模型的容量和可解释性，并通过注意力权重学习了图结构