ConCare: Personalized Clinical Feature Embedding via Capturing the Healthcare Context

最新推荐文章于 2025-04-02 22:20:12 发布
最新推荐文章于 2025-04-02 22:20:12 发布
阅读量1.1k 收藏 5
点赞数 1
分类专栏： 文献阅读 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_45252564/article/details/115139420
版权
《ConCare: Personalized Clinical Feature Embedding via Capturing the Healthcare Context》介绍了如何利用时间感知的多通道GRU和注意力机制处理不规则时序的EMR数据，预测患者入院死亡风险。模型考虑了时间间隔的影响和特征间的关系，提高了预测的准确性和可解释性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文阅读——《ConCare: Personalized Clinical Feature Embedding via Capturing the Healthcare Context》

【这是2020.12投给所里一篇论文速递，搬到CSDN上做个纪念嘿嘿】
本文要给大家分享的是北京大学Liantao Ma等人在AAAI2020发表的一篇关于利用患者的EMR数据预测患者入院死亡风险的论文。从电子病历(Electronic Medical Records, EMR)数据中预测患者的临床结果一直是医疗信息学中一个基础研究问题，在本文中，作者提出ConCare框架，该框架使用时间感知的多通道GRU对EMR数据进行建模，提取不规则时序数据对预测结果的影响。ConCare还引入了多头注意力机制，不仅能有效捕获EMR数据中动态特征与静态基线信息之间的相互依赖关系，还使模型具有很好的可解释性。

背景

EMR数据也就是我们常说的电子病历数据，由患者的一系列历史就诊序列构成。临床输出一般是对患者未来状态的一种预测，比如患者下一阶段的就诊序列，或者特定疾病或任务的风险。在本文中，临床输出为患者入院死亡风险。常用的方法是利用机器学习或者深度学习的手段，对患者的就诊序列进行建模，学习患者的临床就诊嵌入，并利用这个嵌入进行最后的预测任务。但是现有的方法还存在两大问题：
1、如何评估不规则的就诊时间间隔对预测结果影响。
在患者的EMR数据中，每次就诊之间的时间间隔并不是规律的，因为患者一般是身体不舒服了才会去医院进行就诊，所以可能这两次就诊之间只隔了几个星期，下一次就诊却隔了好几

最低0.47元/天 解锁文章
AAAI2020论文列表（中英对照）
dovings的博客
07-04 6573
AAAI2020论文列表（中英对照）
请查收！顶会AAAI 2020录用论文之自然语言处理篇
热门推荐
语言智能技术笔记簿
02-23 1万+
2020年人工智能顶级会议AAAI录用的自然语言处理领域的研究论文已为您准备就绪，请查收！
AdaCare:AdaCare的源代码-Car source code
03-25
AdaCare：可通过比例自适应特征提取和重新校准进行的可解释的临床健康状况表示学习 AdaCare的源代码：通过比例自适应特征提取和重新校准的可解释的临床健康状况表示学习 可视化 欢迎测试我们的可视化工具的原型。 临床隐藏状态由我们最新的表示学习模型ConCare 和AdaCare建立。 国际化的多语言支持即将推出。 要求 安装python，pytorch。 我们使用Python 3.7.3，Pytorch 1.1。 如果您打算使用GPU计算，请安装CUDA 资料准备 我们不提供MIMIC-III数据本身。 您必须自己从获取数据。 具体来说，下载CSV。 要在MIMIC-III标记数据集上运行补偿补偿预测任务，您首先应根据构建基准数据集。 建立解补偿数据集后，请将解decompensation目录中的文件保存到data/目录。 使用MIMIC-III快速测试AdaCare的方法 我们
论文阅读笔记-Attention-Based Personalized Encoder-Decoder Model for Local Citation Recommendation
qq_40801569的博客
11-04 493
论文链接：Attention-Based Personalized Encoder-Decoder Model for Local Citation Recommendation (hindawi.com) 2019年发表在Computational Intelligence and Neuroscience期刊，期刊中文名为《计算智能和神经科学》。 摘要：随着科学论文数量的急剧增长，研究人员不得不花费太多的时间和精力来寻找他们想要的合适的论文。提供基于文本段的参考文献列表的局部引文建议可以缓解这个问题
【AAAI 2020】全部接受论文列表（五）
yinizhilianlove的博客
01-23 4999
虽然今年 AAAI 论文收录率的分母要比去年的 7700 篇多上 1100 余篇，但是整体收录数量比去年的 1150 篇多出不少，因而最终的收录率比去年的 16.2% 高出了四个多百分点。
Deep Learning for Medication Recommendation: A Systematic Survey
m0_52545077的博客
12-30 718
Making medication prescriptions in response to the patient’s diagnosis is a challenging task. The number of pharmaceutical companies, their inventory of medicines, and the recommended dosage confront a doctor with the well-known problem of information an
深度学习篇---网络结构
2301_79556402的博客
04-01 1113
本文简单介绍了，Pytorch框架下的一款深度学习网络框架的配置。
深度学习四大核心架构：神经网络（NN）、卷积神经网络（CNN）、循环神经网络（RNN）与Transformer全概述
gorgor在码农
03-26 1389
NN → 类比：盲人摸象，每个神经元独立感知全局特征 → 局限：输入图像需展平为向量，丢失空间信息（如将28x28图片变成784维向量）CNN → 类比：人类视觉系统，先识别边缘→形状→物体 → 实战：用3x3卷积核扫描猫的图片，提取耳朵、胡须等局部特征RNN → 类比：阅读理解，需记住前文才能理解后文 → 痛点：输入句子“The cat sat on the mat”，到第6个单词时可能已遗忘“cat”Transformer → 类比：团队协作，每个单词直接关注全局上下文 → 优势：处理句
【深度学习:进阶篇】--2.1.多分类与TensorFlow
我是个好人呀，????
04-02 594
2.前向传播：定义神经网络结构# 输入层：784个神经元，每个神经元接收1个像素值,x:[None, 784] [None, 28, 28]# 隐藏层：64个神经元，激活函数：ReLU# 输出层：10个神经元，激活函数：Softmaxtf.compat.v1.disable_eager_execution() # 禁用即时执行模式#创建一个名为 “mnist_data” 的变量作用域。在这个作用域内定义的所有变量都会自动带有这个前缀# 定义输入层# 定义输入层特征值占位符。
【算法岗面试题】深度学习中如何防止过拟合？
qq_61907825的博客
04-01 579
这是个深度学习中比较常见的问题。
【Deepseek、ChatGPT】智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
JNLWLAQ的博客
04-01 952
【Deepseek、ChatGPT】智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
RNN模型及NLP应用（3/9）——Simple RNN 模型
yjc060228的博客
03-29 951
循环神经网络——Simple RNN模型 一篇文章带你熟悉Simple RNN 模型的底层逻辑
循环神经网络 - 机器学习任务之序列到类别模式
分享技术人生的学习笔记和过往心得，与志同道合者共同进步
04-02 476
“序列到类别”模式利用 RNN 的循环结构将一个完整的输入序列转化为一个全局的表示（通常是最终隐藏状态），再通过分类层输出一个类别标签。这种模式适用于情感分析、文本分类、语音识别中说话人识别等任务。通过具体例子，如电影评论情感分类，可以清晰看到输入序列如何通过嵌入、循环处理，最终得到一个能够代表整个序列语义的表示，并用于分类决策。
特征融合后通道维度增加，卷积层和线性层两种降维方式
m0_62919535的博客
04-02 235
特征融合是深度学习模型设计中提升表达能力的关键步骤，主要有三种基础方法：逐元素相加、直接乘积、通道维度拼接，从我个人的使用角度来看，Concat要更加好用。我觉得相加和乘积属于是不可逆的操作，直接融合会导致原有信息丢失，无法再分离，如果两个特征图的响应模式差异较大，这两种方式会引入噪声冗余信息。在通道维度拼接（如torch.cat(dim=1)）则会保留所有原始特征，只不过Concat会增加参数量，所以我们需要对其进行降维，本篇将会讲解一写关于卷积层和线性层两种降维方式。
深度学习 Deep Learning 第14章 自编码器
智能化技术分享
04-01 856
本章详细介绍了自编码器及其在特征学习和降维中的应用。自编码器通过限制模型的表示能力或引入正则化项，迫使模型学习输入数据的有用特征。这些模型在生成模型和流形学习中展现了强大的能力，不仅在理论上具有重要意义，也在实际应用中取得了广泛的成功。
RNN模型与NLP应用——（7/9）机器翻译与Seq2Seq模型
yjc060228的博客
03-31 874
机器翻译——Sequence to Sequence模型介绍，详细讲解Seq2Seq模型底层逻辑，以及实现过程
【深度学习量化交易20】量化交易策略评价指标全解析——基于miniQMT的量化交易回测系统开发实记
最新发布
fengzhuqiaoqiu的博客
04-02 389
之前开发过程中，对于回测结果有一个初步的评估（主要是看收益率），为进一步丰富评估指标体系，又加入了本文中所提到的这些指标。 为了便于大家理解和查阅，在本文中一并进行介绍。
【深度学习新浪潮】DeepSeek近期的技术进展及未来动向
agito_cheung的博客
04-02 94
DeepSeek近期以模型性能突破和开源策略为核心，在技术架构、成本控制及行业应用上取得显著进展。未来将聚焦模型迭代（如R2、V4）、算力生态协同和多场景深化（如AI眼镜、储能），同时应对实时信息处理和多模态能力的技术挑战。其全球化布局和技术标准化努力，将进一步巩固其在AI领域的竞争力。
Concare代码
03-11
### Concare 模型概述 Concare 是一种用于医疗场景下的药物推荐系统，其设计思路与 COGNet 类似。该模型同样依赖于编码器-解码器架构来处理病人的历史和当前健康数据[^1]。 具体来说，Concare 使用 LSTM 或 GRU 结构作为编码器部分，用来捕捉病人过往就医记录中的时间序列特征。对于每一个就诊事件，模型会提取其中包含的诊断信息、操作以及所使用的药品代码，并将其转换成向量形式存储起来。这些向量随后被送入到注意力机制层，在这里不同时间段内的状态会被赋予不同的权重，从而更好地反映最近一次问诊的重要性。最后经过全连接层映射得到最终预测结果——即可能适合给定病情的新处方列表。 下面是一个简化版 Python 实现的例子： ```python import torch from torch import nn, optim class Encoder(nn.Module): def __init__(self, input_size, hidden_size): super(Encoder, self).__init__() self.hidden_size = hidden_size self.embedding = nn.Embedding(input_size, hidden_size) self.gru = nn.GRU(hidden_size, hidden_size) def forward(self, inputs, hidden): embedded = self.embedding(inputs).view(1, 1, -1) output = embedded output, hidden = self.gru(output, hidden) return output, hidden class Decoder(nn.Module): def __init__(self, hidden_size, output_size): super(Decoder, self).__init__() self.hidden_size = hidden_size self.embedding = nn.Embedding(output_size, hidden_size) self.gru = nn.GRU(hidden_size * 2, hidden_size) self.out = nn.Linear(hidden_size, output_size) self.softmax = nn.LogSoftmax(dim=1) def forward(self, input, context, hidden): embedded = self.embedding(input).view(1, 1, -1) gru_input = torch.cat((embedded[0], context), dim=-1) output, hidden = self.gru(gru_input.unsqueeze(0), hidden) output = self.softmax(self.out(output[0])) return output, hidden def train(encoder, decoder, n_iters, learning_rate=.01): encoder_optimizer = optim.SGD(encoder.parameters(), lr=learning_rate) decoder_optimizer = optim.SGD(decoder.parameters(), lr=learning_rate) criterion = nn.NLLLoss() for iter in range(n_iters): # 假设我们已经有了训练样本对 (input_tensor, target_tensor) loss = 0 encoder_hidden = encoder.initHidden() encoder_outputs = [] for i in range(len(input_tensor)): encoder_output, encoder_hidden = encoder( input_tensor[i], encoder_hidden) encoder_outputs.append(encoder_output) decoder_input = torch.tensor([[SOS_TOKEN]]) decoder_hidden = encoder_hidden use_teacher_forcing = True if random.random() < teacher_forcing_ratio else False if use_teacher_forcing: # Teacher forcing: 将目标作为下一个输入 for di in range(target_length): decoder_output, decoder_hidden = decoder( decoder_input, encoder_outputs[-1].squeeze(0), decoder_hidden) loss += criterion(decoder_output, target_tensor[di]) decoder_input = target_tensor[di] else: # Without teacher forcing: 自己生成的结果作为下一步的输入 for di in range(target_length): decoder_output, decoder_hidden = decoder( decoder_input, encoder_outputs[-1].squeeze(0), decoder_hidden) topv, topi = decoder_output.topk(1) decoder_input = topi.squeeze().detach() loss += criterion(decoder_output, target_tensor[di]) loss.backward() encoder_optimizer.step() decoder_optimizer.step() encoder = Encoder(INPUT_SIZE, HIDDEN_SIZE) decoder = Decoder(HIDDEN_SIZE, OUTPUT_SIZE) train(encoder, decoder, N_ITERS) ``` 此段代码展示了如何构建一个简单的基于 PyTorch 的编码器-解码器框架来进行医学文本分析任务。需要注意的是这只是一个非常基础的概念验证版本；实际应用中还需要考虑更多细节如批量处理、更复杂的损失函数定义等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值