[论文解读] Mixed Effect Composite RNN-GP: A Personalized and Reliable Prediction Model for Healthcare.

Ingyo Chung, Saehoon Kim+3 more|arXiv (Cornell University)|Jun 5, 2018

Machine Learning in Healthcare被引用 3

一句话总结

本文提出了一种混合效应复合RNN-GP模型，通过结合深度神经网络以学习跨多样化患者的全局趋势，并利用高斯过程对有限电子健康记录（EHR）时间序列数据中的个体患者差异进行建模。该框架在异构EHR任务中实现了个性化、可靠的医疗预测，性能优于标准RNN。

ABSTRACT

We present a personalized and reliable prediction model for healthcare, which can provide individually tailored medical services such as diagnosis, disease treatment, and prevention. Our proposed framework targets at making personalized and reliable predictions from time-series data, such as Electronic Health Records (EHR), by modeling two complementary components: i) a shared component that captures global trend across diverse patients and ii) a patient-specific component that models idiosyncratic variability for each patient. To this end, we propose a composite model of a deep neural network to learn complex global trends from the large number of patients, and Gaussian Processes (GP) to probabilistically model individual time-series given relatively small number of visits per patient. We evaluate our model on diverse and heterogeneous tasks from EHR datasets and show practical advantages over standard time-series deep models such as pure Recurrent Neural Network (RNN).

研究动机与目标

• 开发一种基于时间序列电子健康记录（EHR）的个性化且可靠的医疗预测模型。
• 通过共享的深度神经网络组件捕捉跨多样化患者的全局趋势。
• 由于每位患者的就诊数据有限，利用高斯过程对个体患者特异性差异进行建模。
• 在诊断和疾病预防等临床任务中，提升预测的可靠性与个性化水平。

提出的方法

• 该模型使用深度神经网络从大量患者的汇总EHR数据中学习复杂的全局模式。
• 通过引入高斯过程对患者特异性时间序列轨迹进行建模，并实现不确定性量化。
• 通过混合效应建模结构，将共享（全局）与个体（患者特异性）组件相结合。
• 复合架构支持端到端训练，实现对共享与个体组件的联合优化。
• 通过适应每位患者不同的数据稀疏性和时间模式，处理异构EHR任务。
• 提供带有不确定性估计的概率预测，从而增强临床可靠性。

实验结果

研究问题

• RQ1 深度学习模型如何在EHR数据中有效平衡全局趋势与个体患者差异？
• RQ2 混合RNN-GP模型是否能在个性化医疗预测任务中超越标准RNN？
• RQ3 高斯过程的集成如何在每位患者数据量有限的场景下提升可靠性与不确定性量化？
• RQ4 该模型在多样化且异构的EHR任务中具有多大程度的泛化能力？
• RQ5 分离共享与个体组件对预测性能与个性化水平有何影响？

主要发现

• 所提出的RNN-GP模型在多样化的EHR预测任务中性能优于标准RNN。
• 高斯过程的集成实现了对个体患者预测的可靠不确定性估计。
• 该模型有效捕捉了患者群体的全局趋势以及个体特异性的模式。
• 在数据稀疏场景下展现出实际优势，即每位患者就诊次数有限时，传统深度学习性能受限。
• 复合架构支持实现更可靠的个性化医疗服务，如诊断、治疗与预防。
• 该模型在异构EHR数据集中表现出强鲁棒性，表明其具备出色的泛化能力。