基于多域图神经网络的疾病预测模型

摘要

电子病历数据类型多样以及时序不规则，现有的基于深度学习的方法在特征学习的过程中大多无法同时兼顾对不同类型临床数据间静态关联和就诊记录间动态时序依赖的有效捕获.针对该问题，本文提出了一种基于多域图神经网络的疾病预测模型.该方法首先利用一个结合编码级注意力和时间感知LSTM的时序特征学习模块获得患者每次就诊的初始特征表示.然后，根据就诊序列中不同就诊间的相关性和时间间隔信息分别构建了一个就诊亲和图和一个就诊时序图，并通过图卷积神经网络从图中挖掘就诊记录间的静态语义关联和动态时序依赖.最后，利用一个基于自注意力机制的多域特征融合模块将时序特征和语义关联特征结合起来得到最终的患者融合特征表示，用于患者未来的疾病预测.在两个真实临床数据集上的实验结果表明，本文方法超过其他现有的方法获得了更高的预测准确性.

关键词

电子病历 / 疾病预测 / 图神经网络 / 注意力机制