论文：https://epubs.siam.org/doi/pdf/10.1137/1.9781611974348.49 或者 https://pan.baidu.com/s/1P0zot2skc7HPTY4ZVpU-6w

机构： IBM

表示方式：
从电子病历记录EHR中提取特征的挑战：High-Dimensionality, Temporality, Sparsity, Irregularity, Bias.
电子病历记录EHR的表示方式：

• Vector Based Representaion
  这种表示方法将每个病人表示成一个向量。它的维度等于出现在EHR中的疾病个数，各维度上的值为对应疾病的统计量（比如总和，平均值，最大值，最小值等）。这种表示方式相当于各个疾病表示的线性组合。缺点是它忽略了就诊之间的时间关系。
• Tensor Based Representation
  这种表示方法将每个病人表示成一个张量。张量的每个维度代表一种类型的实体，比如病人、药物或疾病，值为不同就诊事件下统计量。这种表示方法挖掘了不同医疗实体间的关系，缺点是忽略了就诊之间的时间关系。
• Sequence Based Representation
  这种表示方法将每个病人表示成一个序列。按照每次就诊的时间，排列成一个序列。
• Temporal Matrix Based Representation
  这种表示方法将每个病人表示成矩阵，一个维度对应时间，一个维度对应疾病。

本文中采用的是Temporal Matrix Based Representation。

模型：

本文使用 CNN 来自动提取特征，但不能直接使用标准的 CNN 。原因：（1）疾病之间的位置是无意义的；（2）各个病人的矩阵表示在时间维度上大小不同；（3）就诊事件之间是连续的，不能断裂。

基本模型 Basic Model，也就是标准流程：one-side convolution operation + pooling + fully connected layer + softmax

论文中，采用把数据拆分成一些固定大小的 sub-frames，然后再融合的方式。
Single Frame : 把所有数据当做一个frame，然后采用上述基本模型，区别是增加了一个归一化层 normalization layer。
Temporal Early Fusion : 在最开始特征提取阶段就进行信息融合。更改基本模型中的卷积操作，将其拓展到所有 sub-frame 上。
Temporal Late Fusion : 在最后的全连接层进行融合。
Temporal Slow Fusion : 结合了early fusion 和 late fusion，在最开始的卷积层和最后的全连接层都进行融合。

BibTeX：

@inproceedings{DBLP:conf/sdm/ChengWZH16,
  author    = {Yu Cheng and
               Fei Wang and
               Ping Zhang and
               Jianying Hu},
  title     = {Risk Prediction with Electronic Health Records: {A} Deep Learning
               Approach},
  booktitle = {Proceedings of the 2016 {SIAM} International Conference on Data Mining,
               Miami, Florida, USA, May 5-7, 2016},
  pages     = {432--440},
  year      = {2016},
  url       = {https://doi.org/10.1137/1.9781611974348.49},
  doi       = {10.1137/1.9781611974348.49},
  timestamp = {Tue, 05 Mar 2019 15:30:10 +0100},
  biburl    = {https://dblp.org/rec/bib/conf/sdm/ChengWZH16},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}