《表2 心血管疾病风险预测模型实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的心血管疾病风险预测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表2所示，在基于电子病历的心血管疾病风险预测任务上，时序模型Bi-LSTM和A-LSTM的各项指标基本都优于其他4种非时序模型（逻辑回归、SMO算法、随机森林和LightGBM）。比如，在只利用诊断编码序列数据的情况下，Bi-LSTM的性能可达到0.703 9的召回率、0.654 5的F1值和0.779 8的AUC，这明显优于其他4种中表现最好的LightGBM。之所以Bi-LSTM和A-LSTM能够在心血管疾病风险预测中取得突出的性能，是因为基于LSTM的模型将患者的电子病历数据表示成一个带时间顺序的序列，并且能够从中抽取患者疾病发展过程中的时序性特征。