论文部分内容阅读
随着医疗卫生事业的发展,电子病历系统得到了长足进步,国家在《“十一五”卫生信息化建设设想》中提出了推进电子病历等卫生信息化工程,依托电子病历系统,医院可以得到大量的有价值的数据并对其进行研究。关于电子病历死亡率方面的研究可以追溯到1991年,如今深度学习算法在很多领域展现了其优秀的性能,因此越来越多的研究人员将深度学习算法应用于电子病历研究。然而一般的深度学习算法无法很好地解释模型分类的依据和原理,人们对模型的信任度低。基于这个问题,本文使用一种可解释的深度学习模型对重症加强护理病房(ICU,Intensive Care Unit)患者的进行分类,并对结果进行解释性的讨论。本文提取了Medical Information Mart for Intensive Care Ⅲ(MIMIC Ⅲ)医学数据库中ICU患者的生理数据,将患者的文本数据转换为图片数据,通过迁移学习,使VGG16深度神经网络和梯度类激活映射(graddient based class activate mapping,Grad-CAM)结合,使用VGG16-Grad-CAM结合方法对患者进行生存,死亡预测,并将结果进行解释性分析。同时与最邻近算法,支持向量机算法,多层感知机算法,随机森林算法和卷积神经网络算法比较模型的分类性能。本文的研究结果显示,VGG6-Grad-CAM模型在分类效果上准确率为0.89,召回率为0.89和f1值为0.88,此模型强于最邻近算法,多层感知机算法,随机森林算法和卷积神经网络算法在上述数据集中的分类结果。通过Grad-CAM方法,本文对此模型的分类结果进行了解释,得到以下两个结论:1、VGG6-Grad-CAM模型在分类过程中更加关注血压,心率,K+,血球压积和WBC这5个特征;2、VGG6-Grad-CAM模型更加关注患者进入ICU病房早期和40小时以上的生理数据。