用于患者行为监测的向量量化基础模型

基础模型已在各个领域取得了显著成功，但其医疗保健领域的应用仍然有限。尽管在医学成像、遗传生物标志物和电子健康记录的时间序列方面取得了重大进展，但基础模型用于通过个人数字设备监测患者行为的潜力仍未得到充分探索。这些设备生成的数据本质上具有异构性、多源性和高缺失率，带来了独特的挑战。本论文提出了一种基于改进的向量量化变分自编码器的新型基础模型，专门用于处理来自智能手机和可穿戴设备的真实世界数据。我们利用该模型的离散潜在表示，在不同的保留临床队列上有效执行了两个下游任务——自杀风险评估和情绪状态预测——而无需微调。我们还指出了离散和连续潜在结构之间的权衡存在，表明混合模型可能是平衡各种监督和无监督任务精度的最优选择。