[论文解读] Positive blood culture detection in time series data using a BiLSTM network

Leen De Baets, Joeri Ruyssinck+5 more|arXiv (Cornell University)|Dec 3, 2016

Time Series Analysis and Forecasting被引用 6

一句话总结

本研究提出一种双向长短期记忆网络（BiLSTM），利用72小时的时间序列生理数据（9个变量，每小时采样一次）预测重症监护病房（ICU）患者的阳性血培养结果。该模型在精确率-召回率曲线下面积达到71.95%，表明时间建模可显著提升对血流感染的早期检测效果，优于基线方法。

ABSTRACT

The presence of bacteria or fungi in the bloodstream of patients is abnormal and can lead to life-threatening conditions. A computational model based on a bidirectional long short-term memory artificial neural network, is explored to assist doctors in the intensive care unit to predict whether examination of blood cultures of patients will return positive. As input it uses nine monitored clinical parameters, presented as time series data, collected from 2177 ICU admissions at the Ghent University Hospital. Our main goal is to determine if general machine learning methods and more specific, temporal models, can be used to create an early detection system. This preliminary research obtains an area of 71.95% under the precision recall curve, proving the potential of temporal neural networks in this context.

研究动机与目标

• 探究对ICU时间序列数据进行时间建模是否能提升阳性血培养预测效果。
• 评估BiLSTM网络在血培养结果公布前检测血流感染的性能。
• 评估深度学习模型在利用序列生理趋势实现早期临床决策支持方面的潜力。
• 在类别不平衡的ICU数据上，将BiLSTM模型与简单基线方法进行比较。

提出的方法

• 输入为9个生理变量（如体温、心率、白细胞计数）在72小时内（每小时一个采样点）的数据，每位患者形成一个72×9的时间序列矩阵。
• 超出预设生理界限的异常值被剔除（占数据总量的0.276%），并使用z分数标准化对数据进行归一化处理，每种变量独立计算均值与标准差。
• 通过填充均值（归一化后为零）或采用最小值/最大值/均值策略对高频数据进行下采样，将序列统一为72个时间点的长度。
• 采用单层BiLSTM，激活函数为tanh，正向与反向同时处理序列，以捕捉长程时间依赖关系。
• 输出为单个浮点数预测得分，通过调整阈值生成精确率-召回率曲线，从而获得类别概率。
• 使用均方误差损失函数进行模型训练，并对正样本错误分类施加8倍惩罚权重，以缓解类别不平衡问题（正样本229例，负样本1948例）。

实验结果

研究问题

• RQ1 BiLSTM模型能否有效利用72小时ICU时间序列数据检测阳性血培养结果？
• RQ2 与非时间建模的基线方法相比，建模时间依赖关系是否能提升预测性能？
• RQ3 该模型在类别不平衡数据上的表现如何？类别权重是否能提升对罕见正样本的检测能力？
• RQ4 序列长度与采样频率对预测性能有何影响？

主要发现

• BiLSTM模型在精确率-召回率曲线下面积（AUPRC）达到71.95%，显著优于基线模型。
• 始终预测多数类别的基线模型AUPRC为55.88%，而随机类别平衡方法仅获得20.00%的AUPRC。
• 最优超参数为10个隐藏单元和0.01的学习率，通过在训练集上进行10折交叉验证确定。
• 该模型表明，对生理时间序列进行时间建模可提升ICU患者阳性血培养的早期检测效果。
• 本研究证实，深度学习模型能够利用临床数据中的序列模式，支持血流感染的早期诊断。
• 结果表明，基于BiLSTM的系统可作为决策支持工具，用于提示及时进行血培养检测。