18、机器学习在患者表征学习中的进展

机器学习在患者表征学习中的进展

在医疗领域，准确的患者表征学习对于深入了解患者状况、预测疾病风险等方面至关重要。随着机器学习技术的不断发展，其在患者表征学习中的应用也日益广泛。

患者表征学习的多种方法

• 卷积神经网络（CNN） ：CNN由卷积层和池化层组成。卷积层通过基本神经网络无缝浏览图像，能够获取局部图像属性，且不受其在整个图像中位置的影响。除了图像数据，CNN还可应用于文本和波形数据。此外，还尝试将卷积层引入传统的纵向健康记录中，以纳入时间数据。
• 基于顺序模式的方法 ：该方法创建二维矩阵，其中一个维度与时间相关，另一个维度与电子健康记录（EHR）中的医疗记录相关。非负矩阵分解（NMF）是一种将高维数据分解为一组非负分量的方法，已广泛应用于生物信息学中，也开始用于EHR患者数据可视化。
• 基于图的患者表征 ：为每个患者构建厚图，图中的节点表示医疗测量，边表示实验测量之间的关系。图神经网络（GNN）是一种将深度学习转化为图表示的技术，包括图卷积网络、图注意力网络、有向无环图和节点嵌入等方法，可用于定位缺失数据和完成可视化工具。
• 基于结构的患者表征 ：为每个患者在时间戳事件上生成顺序拓扑。循环神经网络（RNN）是处理顺序输入的常用工具，包括长短期记忆网络（LSTM）和门控循环单元（GRU）等变体，可减少反社会行为的递减趋势。然而，RNN存在一些局限性，如不同RNN难以以相似方式训练，且只能沿单一路径单向处理数据。为解决这些问题，引入了具有位置嵌入和自注意力的修饰器架构，