基于时序感知LSTM网络的患者分型

在多种疾病的研宄中，患者间的异质性通常导致不同的疾病进展模式，可能需要采用不同类型的治疗干预。因此，开展患者分型（即根据疾病特征将患者划分为若干亚型）研究具有重要意义。然而，从复杂的患者数据中进行分型面临挑战，主要源于信息异质性以及时间动态性。长短期记忆网络（Long-Short Term Memory, LSTM）在处理序列数据方面已成功应用于多个领域，近年来也被用于分析纵向患者病历数据。传统的LSTM单元设计假设序列中相邻元素之间的时间间隔是恒定的，但在实际患者记录中，连续记录之间的时间间隔可能从数天到数月不等，这一差异使得传统LSTM模型的性能受到限制。本文提出一种新型LSTM单元——时间感知LSTM（Time-Aware LSTM, T-LSTM），用于有效处理纵向患者记录中的不规则时间间隔问题。该模型通过学习细胞记忆空间的子空间分解，实现基于时间流逝的衰减机制，从而对记忆内容进行时间加权衰减。在此基础上，本文构建了一种患者分型模型，该模型利用所提出的T-LSTM作为自编码器的核心组件，学习患者序列记录的高效统一表示，并据此将患者聚类为具有临床意义的亚型。在合成数据集与真实世界数据集上的实验结果表明，所提出的T-LSTM架构能够有效捕捉具有时间不规则性的序列数据中的潜在结构。