急診室的深度學習是怎樣的

利用深度學習的力量可以更好地預測急診科的患者入院率和流程。使用針對高維數據設計的深度學習模型，KAUST研究人員表明，可以從復雜的醫院記錄中預測急診科的人滿為患。“可變自動編碼器”深度學習模型的這種應用是一個示例，說明了如何使用機器學習來解釋和提取難以理解的復雜數據集的含義，這些數據集對于人類來說太龐大或復雜。

機器學習是人工智能(AI)的重要方面，涉及使用訓練數據訓練AI模型。例如，一個AI模型可以通過使用包含數千種手寫數字版本的數據集進行訓練來學習識別三號圖像。當一個簡單的神經網絡模型(包含接受輸入，應用規則并產生輸出的互連“神經元”)暴露于更多訓練數據并完善每個神經元的規則時，將變得越來越準確。

但是，通過將神經元的隱藏中間層添加到這些網絡中，可以提示模型自學習輸入數據中的關系，而無需事先指定規則。這樣的模型(稱為深度學習模型)之所以功能強大，是因為它們首次使我們能夠解釋以前過大，異構或多參數的數據，從而無法以任何其他方式進行有意義的分析。

KAUST的研究科學家Fouzi Harrou說：“在學術界和工業界，深度學習已成為建模和預測研究中的一項有前途的研究領域。” “這些模型可以通過人工指導從大量數據集中自動提取信息，例如變量之間的隱式關系，復雜的模式識別以及時序數據中相關性的描述。”

Harrou與KAUST的統計學家Ying Sun以及法國和阿爾及利亞的合作者一起，將一種特別有前途的基于深度學習的模型稱為變分自動編碼器(VAE)，用于預測患者入院和流經兒科醫院急診室的問題。

Harrou說：“ VAE的一個特別吸引人的特征是它們能夠將高維或多參數數據壓縮為低維表示，從而能夠靈活地生成定量比較。” 結果表明，VAE方法比其他模型表現更好，提供了一系列見解，例如患者入院高峰日和因果關系。