基于知识的时空注意力网络在利用中国电子病历进行疾病预测中的应用

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Knowledge-Based Spatio-Temporal Attention Network for Disease Prediction with Chinese Electronic Medical Records

电子病历特征稀疏问题通过知识图谱构建与时空注意力机制优化解决，提出KSAN模型整合跨维度依赖关系并加权关键节点，采用半监督训练提升资源利用率，在真实中文EMR数据集验证中达到最佳疾病预测性能。

　　

摘要

利用电子病历（EMR）开发自动化疾病预测系统时，一直面临特征数据稀少的问题。图神经网络（GNN）能够处理非结构化数据并推断缺失的特征，这是一种有效解决上述问题的方法。然而，如果两个实体节点之间的关联跨越多个句子，GNN难以准确捕捉这些关联，这可能会丢失一些对疾病预测至关重要的语义信息。此外，电子病历中节点的时间依赖性不仅为疾病预测提供了更多信息，还增强了节点表示的语义区分能力。本研究提出了一种基于知识的时空注意力网络（KSAN）用于疾病预测。首先，利用知识图谱和关系补全技术建立节点之间的更多关联，以提供潜在的疾病相关事实；其次，从时空维度全面聚合节点间的依赖关系；同时，通过匹配关键因素集来增加关键节点的权重，从而提供更具目标导向的信息；最后生成用于疾病预测的代表性嵌入向量。KSAN的训练采用半监督学习方法，有助于节省资源。使用真实世界的中国电子病历数据集对KSAN进行了评估，结果表明其具有最佳的预测性能。