[论文解读] This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text
ProtoPatient 是一种新颖的深度学习模型，结合原型网络与逐标签注意力机制，能够从入院记录中高精度、高可解释性地预测临床诊断。通过识别与原型患者相似的文本片段，该模型为临床医生提供直观、可验证的预测结果——在罕见诊断上尤其优于基线模型，同时支持可修改、透明化的决策支持。
The use of deep neural models for diagnosis prediction from clinical text has shown promising results. However, in clinical practice such models must not only be accurate, but provide doctors with interpretable and helpful results. We introduce ProtoPatient, a novel method based on prototypical networks and label-wise attention with both of these abilities. ProtoPatient makes predictions based on parts of the text that are similar to prototypical patients - providing justifications that doctors understand. We evaluate the model on two publicly available clinical datasets and show that it outperforms existing baselines. Quantitative and qualitative evaluations with medical doctors further demonstrate that the model provides valuable explanations for clinical decision support.
研究动机与目标
- 为临床需求提供可解释、可信的诊断预测模型，支持超越黑箱性能的决策支持。
- 通过从临床文本中学习原型患者表征，模拟医生将新患者与既往病例进行比较的思维过程。
- 提升预测性能，特别是针对罕见诊断，同时确保解释忠实且具有临床意义。
- 开发模块化系统，使临床医生可在训练后检查、验证或更新原型患者。
- 公开代码以支持可复现性，并促进临床人工智能研究中的应用。
提出的方法
- 模型使用上下文嵌入（如 BERT）将临床入院记录编码为密集表征。
- 针对每种诊断，学习一个原型向量，代表该诊断患者的一般特征。
- 标签级注意力通过测量对原型向量的关注程度，识别每种诊断最相关的文本片段。
- 通过计算患者表征与每种诊断原型向量之间的余弦相似度进行预测。
- 选择与每个原型向量最接近的训练样本作为原型患者，为临床医生提供现实参考。
- 模型采用端到端训练，使用交叉熵损失，优化临床记录上的多标签诊断预测。
实验结果
研究问题
- RQ1原型网络方法是否能在保持可解释性的同时，提升临床文本上的诊断预测性能？
- RQ2与事后解释方法相比，该模型的解释在忠实度和临床实用性方面表现如何？
- RQ3与现有基线相比，该模型在罕见诊断上的性能提升程度如何？
- RQ4临床医生在决策过程中是否认为突出显示的原型患者及相关文本片段具有帮助？
- RQ5标签级注意力在多标签、高词汇量的诊断预测中如何增强可解释性？
主要发现
- ProtoPatient 在两个公开临床数据集上优于多种最先进基线模型，F1 分数显著提升，尤其在罕见诊断上表现突出。
- 定量评估表明，该模型基于注意力的解释比事后解释方法更忠实于其内部决策过程。
- 由医学专家进行的手动评估确认，突出显示的原型患者及相关文本片段在临床上具有帮助且易于理解。
- 该模型在训练样本较少的诊断上表现更优，表明其对类别不平衡具有鲁棒性。
- 原型向量的模块化设计使临床医生可在训练后更新或验证原型，从而增强信任感与适应性。
- 代码与实验设置已公开发布，支持可复现性与未来研究。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。