Paper From：Nature Medicine 2019
Paper URL：https://www.nature.com/articles/s41591-018-0335-9
主要内容
- 提出了一套「疾病确认」的计算框架，用于对儿科疾病进行自动化分类。如上图：
- EHRs: 数据源EHRs（电子健康记录）包括「主属、现病史、各种检验检查报告」；
- knowledge-based text: ，从病历中筛选出的医学词汇+医学术语库，经过医生确认构建了「词汇表」，做为分词工具的「词表资源」；
- Fully structureed database：EHR经过NLP处理后得到的「特征」，以便用于下一步的分类；
- Disease classifier：基于「特征」进行疾病分类，使用了逻辑回归方法；
- 疾病分类采用多层级逐层分类，如上图第一步按人体器官进行划分，然后再逐层细分。文章对不同层级疾病进行效果评估，评估方式是机器识别和初级医师、高级医生进行对比，结果显示机器分类性能优于初级医师。
重点：Methods
此图是文章所用方法的重点。
-
0 从raw data中找出候选vocab，结合第三方医学词库，人工review后构建vocab词表；
-
1 以vocab作为分词工具的词表资源，对输入的raw data进行分词，得到token；
-
2 使用word2vec对tokens进行语义训练，得到token对应的embedding；
-
3 使用LSTM网络框架对<Query-rawdata, Ans>进行建模，模型输出做为特征
- 3.1 人工设计N个Queries，对每条raw data进行query回答，结果可以是「0/1」或者「器官部位」等，可以看着是个分类问题；
- 3.2 N个query和M个raw data，可以构建N*M条样本，人工从中选取若干条进行标注，作为模型训练样本；
- 3.3 对每条raw data与N个Query构建Query-rawdata作为样本，过LSTM模型后的结果作为rawdata的「特征向量」；
- 3.4 对raw data的「特征」使用LR模型进行「疾病分类」；
-
4 「疾病分类」采用多层分类方案，逐层分类，每层给出独立的效果评估；
疑问：
- 1 文章没有找到设计Query的量，这个量关系到rawdata的特性向量长度；
- 2 EHR数据量很大，对应了rawdata的量，与query叉乘后作为样本池，这个量就更大了，rawdata对应query「是或否」的结果，目测应该是「负样本量远大于正样本」，文章只选用了6000+多条作为样本标注，感觉这个量太少了；
- 3 在Extended Data2中是以「句子」作为输入的，「主诉和检验报告单」通常一两句描述，但「现病史」往往文本较长，文章没有讲「句子」如何选取？
- 4 LSTM模型讲引用了「Effictive approaches to attention-based neural machine translation」这篇论文，但该篇论文主要讲了「翻译模型中的attention方法」，感觉文章中的LSTM模型更多应该是「多分类」模型。
价值：
- 1 使用<Query-rawdata, Ans>构建特征值得借鉴；
- 2 疾病确认的分层分类方法，结合医学知识如「一级分类器官」，这种分类思路值得关注；