-
题名基于图结构聚类的自监督学习疾病诊断方法
被引量：2
- 1
-
-
作者
张正康
杨丹
聂铁铮
寇月
-
机构
辽宁科技大学计算机与软件工程学院
东北大学计算机科学与工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第7期360-371,共12页
-
基金
国家自然科学基金(62072084,62072086)
辽宁省教育厅科学研究项目(LJKMZ20220646)。
-
文摘
图自监督学习方法近年来被应用于疾病诊断任务中以缓解医疗标签信息缺乏和人工标注问题。然而,图自监督学习的性能主要依赖于高质量的正样本和负样本,这限制了疾病诊断的灵活性和泛用性。此外,在构建医疗异构属性图时没有充分利用病人的多模态数据,影响了疾病诊断的性能。提出一个基于医疗异构属性图结构聚类的自监督学习疾病诊断框架SC4DD。该框架利用病人的结构化数据和非结构化临床文本摘要构建医疗异构属性图,通过图上的结构聚类算法生成节点的伪标签。考虑到不同元路径对学习病人嵌入表示的重要性以及不同模态医疗数据对疾病诊断结果的影响程度,引入注意力机制的异构图神经网络作为编码器,伪标签作为自监督信号辅助编码器学习注意力系数和病人嵌入表示。在MIMIC-Ⅲ数据集上的实验结果表明,SC4DD优于传统基线方法,能够有效提高疾病诊断的性能。其中,相较于性能最优的基线方法HeCo,SC4DD在2%、3%、4%标记节点下的宏平均F1值分别提高了1.46%、0.97%、0.94%,微平均F1值分别提高了0.91%、0.84%、0.52%。
-
关键词
疾病诊断
电子病历
图自监督学习
图神经网络
医疗异构属性图
-
Keywords
disease diagnosis
Electronic Medical Records(EMR)
graph self-supervised learning
Graph Neural Network(GNN)
medical heterogeneous attributed graph
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
