Graph Convolution Based Attention Model for Personalized Disease Prediction
- abstract
- Introduction
abstract
临床医生将多模式数据的互补性用于疾病诊断。
通常会考虑利用异构数据的不同顺序的重要性来作出判决。
目前基于学习的方法通过对个体信息进行关注，取得了更好的性能，但很少有人关注针对每种模式下的特定患者的注意力学习方案。
针对这一点，我们引入了一个模型，该模型不仅提升了疾病预测，而且专注于学习多模态数据元素的特定患者的重要性顺序。
为了实现这一点，我们利用基于LSTM的注意机制和图卷积网络(GCNS)来设计我们的模型。
GCNS从整个患者群体中学习多模态但特定于类别的特征，而注意力机制将这些多模态特征最佳地融合到最终决定中，分别针对每个患者。
本文使用两个公共医学数据集分别应用于帕金森氏症和阿尔茨海默氏症的疾病预测任务。
Introduction
最近，基于深度学习的疾病预测方法依赖于训练学习特定类别结构的分类器。
然而，条件的多样性导致了高度异构的数据。
例如，根据人口统计学、临床和成像数据，同一疾病的患者的诊断和治疗可能不同。
在诸如阿尔茨海默病的情况下，药物，特别是针对APOE的药物，对于不同APOE基因型但疾病状况相同的患者可能起不同的作用。
此外，除了人口统计和遗传因素外，脑成像和其他生物标志物也可以用于特定患者的诊断。
这种疾病诊断的重要性已经分别在[1，2]中显示出来。为了改善临床结果，需要一个能够学习这种针对特定患者决策的CAD系统。