摊销式情境混合效应 Transformer 模型：一种用于药代动力学的零样本方法
机器学习
2026-01-21 v3
摘要
在稀疏抽样条件下准确预测剂量-反应曲线是精密药物治疗的核心。我们提出了摊销式情境混合效应 Transformer 模型（AICMET），这是一种基于 Transformer 的潜在变量框架，统一了机械模型的先验结构与摊销式情境贝叶斯推断。AICMET 在大量合成药代动力学轨迹上进行预训练，采用 Ornstein-Uhlenbeck 先验对容积模型参数进行建模，赋予模型强大的归纳偏置，使其能够在新化合物上实现零样本适应。在推断时，解码器会依据此前受试者的整体情境信息，生成针对新登记患者的校准后预测结果，这需要仅通过少量早期药物浓度测量即可实现。这一能力将传统模型开发周期从数周缩短至数小时，同时保持一定程度的专家建模。实验表明，AICMET 在多个公开数据集上实现了最先进的预测精度，并忠实地量化了患者间的变异性——显著优于非线性混合效应基线方法和最新神经 ODE 变体。我们的结果凸显了基于 Transformer 的、面向人群的神经网络架构在为定制药代动力学建模管道提供新选择的可行性，为真正意义上的人群感知个体化剂量方案指明了道路。
引用
@article{arxiv.2508.15659,
title = {Amortized In-Context Mixed Effect Transformer Models: A Zero-Shot Approach for Pharmacokinetics},
author = {César Ali Ojeda Marin and Wilhelm Huisinga and Purity Kavwele and Ramsés J. Sánchez and Niklas Hartung},
journal= {arXiv preprint arXiv:2508.15659},
year = {2026}
}
备注
author actually help in data preprocessing, notified later from other author