自适应测试时训练用于多中心队列中有创机械通气需求预测
机器学习
2026-01-28 v2 人工智能
摘要
准确预测重症监护病房（ICU）患者对有创机械通气（IMV）的需求，对于及时干预和资源分配至关重要。然而，患者人群、临床实践和电子健康档案（EHR）系统在各机构之间的差异引入了领域偏移，降低了预测模型在部署时的泛化性能。测试时训练（TTT）作为一种有前景的方法出现，通过在推理过程中动态适应模型来缓解此类偏移，无需目标领域标注数据。在本工作中，我们引入了自适应测试时训练（AdaTTT），一种针对ICU环境中基于EHR的IMV预测的增强TTT框架。我们首先推导了测试时预测误差的信息论界限，并证明该界限受主任务与辅助任务之间不确定性的约束。为增强它们的对齐性，我们引入了一个自监督学习框架，包含辅助任务：重建和掩码特征建模，通过动态掩码策略进行优化，该策略强调对主任务至关重要的特征。此外，为提高对领域偏移的鲁棒性，我们引入了原型学习，并采用部分最优传输（POT）实现灵活的部分特征对齐，同时保持临床上有意义的患者表征。在多中心ICU队列上的实验展示了在不同测试时适应基准上的竞争力分类性能。
引用
@article{arxiv.2512.06652,
title = {Adaptive Test-Time Training for Predicting Need for Invasive Mechanical Ventilation in Multi-Center Cohorts},
author = {Xiaolei Lu and Shamim Nemati},
journal= {arXiv preprint arXiv:2512.06652},
year = {2026}
}
备注
ICLR 2026