匿名电子病例信息不全？深度学习能更好的判断出种族（代码开源）

问耕 发自 凹非寺 量子位 报道 | 公众号 QbitAI

匿名电子病历（EMR）是越来越受欢迎的研究数据来源。然而，这些数据集通常缺少人种和种族信息。这给人类疾病的研究人员造成了困扰，因为人种和种族对许多健康风险和治疗结果有着重要的影响，另外也跟人口特异性遗传变异密切相关。

为此，来自普林斯顿大学的Ji-Sung Kim，以及来自芝加哥大学的Andrey Rzhetsky共同展开了一项新的研究，并把研究工具RIDDLE进行了开源。

RIDDLE是一个开源的Python2库，用于使用深度学习方式在匿名电子病历中估算人种和种族信息。

Kim和Rzhetsky使用了来自芝加哥和纽约的EMR数据集，总共描述了超过150万名患者，约有1.5万个特征，包括：性别、年龄、临床事件观察（编号为ICD9代码）。

在这个研究中，他们发现深度神经网络比其他方法（例如逻辑回归、随机森林）能更准确的补全缺失的人种和民族信息，在所有考察标准上都得到了更好的分类性能：精度、交叉熵损失（误差）等。

实验结果表明，RIDDLE的平均精度为0.671，最高的两个准确度为0.865，测试数据的交叉熵损失为0.849，这个结果显著优于逻辑回归和随机森林分类器。

他们用这些训练过的神经网络模型来识别、量化和可视化预测人种和种族的医学特征，并使用这些特征来进行人种和种族差异性疾病模式的系统比较。事实上，临床病史对人种和种族的估算信息可能反映出：

• 跨越种族和族裔的蓝领、白领职业的偏态分布
• 可能的生活习惯变化，例如饮食习惯
• 易患疾病的遗传背景和变异差异

RIDDLE通过运行并行化的TensorFlow/Theano后端来高效训练模型，以及使用预处理数据和分批训练的方式来避免内存溢出。

RIDDLE使用Keras来指定和训练潜在的深度神经网络，并用DeepLIFT来计算“特征到类别”的贡献值。

目前的RIDDLE Python模块与TensorFlow和Theano一起作为Keras的后端。默认架构是一个深度的多层感知器（深度MLP），使用二进制编码的特征和目标。当然，你可以自己编写model_module文件来指定任何神经网络架构和数据格式。

想要进一步了解RIDDLE，可以访问如下地址：

https://github.com/jisungk/riddle

相关论文可以访问这个地址查看：

https://arxiv.org/pdf/1707.01623.pdf