《表1 IHAN预测结果:可解释的层次注意力机制网络危重症预警》
根据表1实验结果,在准确率方面,Logistic回归、随机森林和BP神经网络因其没有考虑到患者在治疗过程中生理指标的渐变信息,无法在长时间住院过程中充分利用检查数据时间状态上的关联性,不具有提前预测的能力,对急重症突变预警能力差。而以CNN和RNN为代表的深度学习模型在准确率上有了较大的提升,相比上述统计模型在准确率上提高了8~10个百分点,这体现了基于深度学习对复杂时序信息的捕捉能力,然而由于患者在住院过程中产生的数据量多,“无意义”的正常数据占比大,导致输入模型数据集噪声大而影响了预测结果的精准度。基于IHAN的层次注意力神经网络解决了上述问题,同时准确率相比之下提升了12~13个百分点。运行效率上,IHAN+LSTM因其计算的复杂性导致训练时间较长,在实验环境下训练时间达到了29.50 min,而LSTM+GRU相对模型较简单,训练时间也达到了25.25 min。
图表编号 | XD00201579300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.01 |
作者 | 王天罡、张晓滨、马红叶、蔡宏伟 |
绘制单位 | 西安工程大学计算机科学学院、西安交通大学第一附属医院网络信息部、西安工程大学计算机科学学院、西安交通大学第一附属医院重症医学科、西安交通大学第一附属医院网络信息部 |
更多格式 | 高清、无水印(增值服务) |