WHAT
通过疾病、症状、药品等电子病例信息来判断病人两两间病史相似度

HOW

1. 使用word2vec向量化EHR事件
2. 相似度计算网络模型，利用卷积神经网络学习一组病人间的特征，构造相似度矩阵计算其相似度值。

WHY

1. 通过word2vec向量化表示，有几个好处：
   • 降低数据维度。原始one-hot表示高维(EHR事件多达7000余种)且稀疏(单个病人病史仅包含少数事件), 经过word2vec训练后，可降维至指定数据维度。
   • EHR事件之间具有前后相关性。类似语义嵌入，相同或类似的EHR事件其向量余弦值等于或接近于1。
2. 卷积神经网络沿病史时间轴做卷积操作，提取病史特征，有效利用了病史间的局部相关性。

RESULT
给定一对病人电子病例数据，判断其是否罹患同一疾病，准确率达97%。

1. word2vec训练EHR向量
   • 每个病人EHR事件按时间排序，构成一个输入样本，该样本包含若干个ERH事件。输入样本总数达40,000个
   • 使用gensim来训练EHR向量，主要设置参数为min_count, size, window,对应为事件最少出现频率、词向量输出维度、上下文覆盖距离(以词为单位)
     

     1 2 3 4 5 6 7

     model = gensim.models.Word2Vec( sentences, min_count=5, window=10, size=50, workers=4) model.wv.save_word2vec_format('../data/model_50.vector', binary=False)

   • 设置min_count=10, size=50, window=10，在后续学习中能取得最优表现
2. 神经网络学习病人特征
   • 网络架构如下所示
     • 使用两个卷积网络，分别在两个样本输入矩阵上做卷积操作，得到卷积特征;
     • 对卷积特征做池化操作，得到池化特征;
     • 由两个样本池化特征，构造中间参数变量相似度矩阵$M$，用以计算相似度: $sim(x_a,x_b) = x_{a}^TMx_b$
     • 将池化特征及相似度拼接成一个新的特征，构造全连接层
     • 以全连接层输出与样本对标签，选择均方误差(MSE)作为损失函数