[论文解读] AdaCare: Explainable Clinical Health Status Representation Learning via Scale-Adaptive Feature Extraction and Recalibration

Liantao Ma, Junyi Gao+7 more|arXiv (Cornell University)|Nov 27, 2019

Machine Learning in Healthcare参考文献 27被引用 4

一句话总结

AdaCare 是一种用于临床健康状态表征学习的深度学习模型，通过使用尺度自适应空洞卷积和特征重校准，捕捉多尺度生物标志物趋势并自适应地突出高风险特征。它在 ESRD 和 MIMIC-III 数据集上实现了最先进的预测性能，同时提供临床可解释、经专家验证的洞察。

ABSTRACT

Deep learning-based health status representation learning and clinical prediction have raised much research interest in recent years. Existing models have shown superior performance, but there are still several major issues that have not been fully taken into consideration. First, the historical variation pattern of the biomarker in diverse time scales plays a vital role in indicating the health status, but it has not been explicitly extracted by existing works. Second, key factors that strongly indicate the health risk are different among patients. It is still challenging to adaptively make use of the features for patients in diverse conditions. Third, using prediction models as the black box will limit the reliability in clinical practice. However, none of the existing works can provide satisfying interpretability and meanwhile achieve high prediction performance. In this work, we develop a general health status representation learning model, named AdaCare. It can capture the long and short-term variations of biomarkers as clinical features to depict the health status in multiple time scales. It also models the correlation between clinical features to enhance the ones which strongly indicate the health status and thus can maintain a state-of-the-art performance in terms of prediction accuracy while providing qualitative interpretability. We conduct a health risk prediction experiment on two real-world datasets. Experiment results indicate that AdaCare outperforms state-of-the-art approaches and provides effective interpretability, which is verifiable by clinical experts.

研究动机与目标

• 解决现有临床表征学习方法在多尺度时间模式建模方面的不足。
• 基于患者特定的健康轨迹和风险特征，实现自适应特征加权。
• 提供高保真度、临床可验证的可解释性，以增强对黑箱预测模型的信任。
• 通过整合生物标志物的长期趋势与短期异常，提升死亡风险预测的准确性。

提出的方法

• 采用多尺度空洞卷积，提取不同时间尺度下临床生物标志物的长期与短期变化模式。
• 引入受挤压-激励（SE）模块启发的尺度自适应特征重校准模块，根据特征的预测重要性动态重加权。
• 使用具有 Sigmoid 和稀疏最大（sparsemax）激活函数的可学习注意力机制，突出最新就诊时的高风险特征。
• 将时间特征表征整合为统一的健康状态嵌入向量，用于下游预测任务。
• 通过在死亡率与疾病进展预测任务上使用交叉熵损失，端到端训练模型。
• 通过特征重要性分析与肾病专家评估，验证模型的可解释性。

实验结果

研究问题

• RQ1 多尺度时间特征提取是否能提升纵向电子病历数据中临床健康状态的表征能力？
• RQ2 自适应特征重校准在多样化患者状况下如何提升预测性能？
• RQ3 该模型的注意力机制在多大程度上能突出与专家知识一致的临床有意义生物标志物？
• RQ4 与最先进基线相比，集成尺度自适应特征重校准是否能同时提升准确率与预测可解释性？

主要发现

• AdaCare 在 ESRD 与 MIMIC-III 数据集上的死亡风险预测中均优于最先进模型，且提升具有统计显著性。
• 采用多尺度空洞卷积与基于 Sigmoid 的重校准的变体（AdaCare$_{c, ho}$）达到最高 AUC，证实了多尺度时间建模的优势。
• 基于稀疏最大（sparsemax）重校准的变体（AdaCare$_{c, ho}$）仅增强最具预测力的特征，在抑制无关特征的同时保持强性能，从而提升可解释性。
• 临床专家确认，模型的注意力权重与已知医学知识高度一致，尤其在 ESRD 患者中对血清白蛋白、尿素和血清氯的识别表现突出。
• 模型发现了新颖的、此前未充分探索的关联——如血清氯与恶病质及感染的关联——经肾病专家验证为具有临床相关性。
• 对特征重要性的定量分析显示，不同死亡原因下均呈现一致且符合生物学原理的模式，支持模型的可靠性与临床相关性。