基于知识图谱与时序Transformer的联邦学习框架：用于多中心ICU早期败血症预测
机器学习
2026-03-18 v1 人工智能
摘要
早期预测重症监护病房（ICU）患者的败血症对于提高生存率至关重要，但数据在医疗机构间碎片化、医疗数据的复杂时序性质，以及严格的隐私约束，阻碍了准确预测模型的开发。为此，我们提出一种新型框架，独特地将联邦学习（FL）与医学知识图谱和时序Transformer模型相结合，增强了元学习能力。我们的做法使跨多家医院的模型训练成为可能，无需共享原始患者数据，从而保留隐私。模型利用知识图谱纳入结构化医学关系，并采用时序Transformer捕捉临床时间序列数据的长程依赖性。进一步融入模型无关性元学习（MAML）策略，以促进全局模型快速适应本地数据分布。我们在MIMIC-IV和eICU数据集上进行评估，本方法实现了0.956的ROC-AUC，该值相较于传统集中式模型提升了22.4%，相较于标准联邦学习提升了12.7%，显示出强大的败血症预测能力。这项工作为多中心协作的败血症早期预警提供了一个可靠且隐私保护的解决方案。
关键词
引用
@article{arxiv.2603.15651,
title = {A federated learning framework with knowledge graph and temporal transformer for early sepsis prediction in multi-center ICUs},
author = {Yue Chang and Guangsen Lin and Jyun Jie Chuang and Shunqi Liu and Xinkui Li and Yaozheng Li},
journal= {arXiv preprint arXiv:2603.15651},
year = {2026}
}