Convolutional Neural Networks (CNNs) haben die Art und Weise, wie wir Bilder verarbeiten, revolutioniert und maßgeblich zum Erfolg von Deep Learning beigetragen. In dieser Woche werden wir erörtern, welche Vorteile CNNs gegenüber MLP bieten, und wir werden CNNs für die Klassifizierung von Zeitreihen einsetzen. Anschließend werden wir rekurrente neuronale Netzwerke (RNNs) vorstellen. Insbesondere werden wir Long Short-Term Memory Netzwerke und Gated Recurrent Unit Networks besprechen. Praktische Übungen ermöglichen es, all diese Arten von Netzwerken für die Klassifizierung von EKGs zu entwerfen und zu trainieren. Die Bedeutung von Trainings-, Validierungs- und Testdatensätzen wird hervorgehoben, um eine Überanpassung und Modellevaluation zu vermeiden.

Die Entwicklung von Benchmark-Datensätzen für DNNs auf der Basis der MIMIC-III Datenbank umfasst mehrere Schritte, darunter die Auswahl von Kohorten, die Umrechnung von Einheiten, die Entfernung von Ausreißern und die Aggregation von Daten in Zeitfenstern. Der letztgenannte Schritt ermöglicht die Darstellung von EHR-Daten als Zeitreihen, ist aber auch anfällig für fehlende Daten. Aus diesem Grund werden Imputationsstrategien vorgestellt, die sowohl auf traditionellen als auch auf Deep-Learning-Techniken basieren. Der Lernende wird die Möglichkeit haben, EHR-Daten vorzuverarbeiten und Deep Learning-Modelle für die Vorhersage der Sterblichkeit im Krankenhaus zu trainieren.

EHRs umfassen kategoriale, ordinale und kontinuierliche Variablen. Eine geeignete Datendarstellung ist wichtig, und Kodierungen beeinflussen die Vorhersageleistung. In dieser Woche werden verschiedene Strategien zur Kodierung der Daten vorgestellt, wie z. B. Zielkodierungen, Deep Learning-Kodierungen und Ähnlichkeitskodierungen. Insbesondere werden Autoencoder, eine Deep Learning-Architektur zur Darstellung von Daten im niedrigdimensionalen Raum, demonstriert und bei der Vorhersage der Sterblichkeit im Krankenhaus angewendet.