基于定向特征交互选择的医疗结构化数据处理方法OA

医疗结构化数据在现实医疗体系中应用广泛,由于其特殊性,通常具有多源异构、存在大量潜在候选特征等性质,表现出不规则的数据模式,对神经网络的特征处理过程提出了挑战。因此,提出一种类Transformer架构的特征嵌入级循环定向特征处理网络RDFP-NET,其拥有良好的特征组织模式,直接对采集的原始医疗数据进行端到端处理,能够充分利用有效信息并摒弃不利特征的负面影响,并通过循环结构关联上下文特征信息,进一步改善网络任务性能。RDFP-NET主要包括:一种非线性特征嵌入方法;一个排序特征交互模块,通过计算各特征的信息值和特定掩码操作,在普通注意力机制中纳入归纳偏差,实现不同贡献值特征间的定向信息流动和特征交互;一种过滤特征选择模块,通过对ELU激活函数的调整,以类似过滤器的方式对冗余特征进行舍弃;一个包括两种模块的循环结构,实现良好的数据拟合和上下文特征信息流动,并逐步处理特征的不规则模式。在包含两种不同目标任务的5个数据集上进行实验,结果表明,RDFP-NET取得了2.2的最优平均排名和0.75的排名标准差,显示出优秀的任务性能及稳定性,能够为医疗工作者带来更有效的临床决策辅助信息。