文献

J-GLOBAL ID：202002214548014222   整理番号：20A1184624

深い予測モデルに対する敵対攻撃による医療記録における感受性位置の同定【JST・京大機械翻訳】

Identify Susceptible Locations in Medical Records via Adversarial Attacks on Deep Predictive Models

著者 (5件)： Sun Mengying (Michigan State University, East Lansing, MI, USA) ,  Tang Fengyi (Michigan State University, East Lansing, MI, USA) ,  Yi Jinfeng (JD AI Research, Beijing, China) ,  Wang Fei (Weill Cornell Medical School, New York, NY, USA) ,  Zhou Jiayu (Michigan State University, East Lansing, MI, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： KDD ’18  ページ： 793-801  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 電子カルテ(EHR)の利用可能性は,医学予測モデリングにおける研究関心の増加をもたらす。最近,多くの深い学習に基づく予測モデルがEHRデータのために開発され,印象的な性能を実証した。しかしながら,一連の最近の研究は,これらの深いモデルが安全でないことを示した。それらは,ある脆弱性を被っている。短いと,よく訓練された深いネットワークは,無視できる変化で入力に非常に敏感である。これらの入力は,敵の例と呼ばれる。医療情報科学の文脈において,そのような攻撃は,患者の医療記録をわずかに摂動することによって,高性能の深い予測モデルの結果を変えることができた。このような不安定性は,深いアーキテクチャの弱点を反映するだけでなく,より重要なことに,入力上の敏感な部分を検出するガイドを提供する。本論文では,EHR入力によりLSTMモデルを標的とする時間優先最小攻撃を学習する効率的で効果的なフレームワークを提案し,この攻撃戦略を患者の医療記録をスクリーニングし,感受性イベントと測定を同定するために活用した。効率的なスクリーニング手順は,正確に測定されない場合に,厳しい結果を引き起こすことができる場所に余分な注意を払う意思決定者を支援することができる。現実世界の緊急ケアコホートに関する広範な経験的研究を行い,提案したスクリーニングの有効性を実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  感受性 ,  不安定性 ,  有効性 ,  医学情報 ,  計算機アーキテクチャ ,  スクリーニング ,  意思決定者 ,  電子カルテ ,  *予測モデル ,  *カルテ ,  病歴
準シソーラス用語： 脆弱性 ,  長短期記憶 , 【Automatic Indexing@JST】

著者キーワード (3件)： 敵対攻撃 ,  医療記録 ,  予測モデリング

分類 (1件)： 医用情報処理  (JE15030Q)

タイトルに関連する用語 (6件)： 予測モデル ,  敵対 ,  攻撃 ,  医療記録 ,  感受性 ,  同定