借未来之光：通过对比学习提升早期风险评估
机器学习
2025-08-18 v1 机器学习
摘要
儿童风险评估通常在多个阶段进行。例如，临床医生可能在孕早期、出生时以及Well-Child访问期间评估风险。尽管后期阶段的预测通常实现更高的精度，但临床上希望尽可能早地进行可靠的风险评估。因此，本研究聚焦于提高早期风险评估的预测性能。我们的解决方案是\textbf{借用未来之光(BFF)}，一种对比多模态框架将每个时间窗口视为不同模态。在BFF中，模型在进行风险评估时可获取最新信息，同时在所有可用数据上进行训练。该对比框架允许模型“借用”来自后期阶段(如Well-Child访问)的有信息信号以隐式监督早期阶段(如孕期/出生期)的学习。我们在两个真实世界的儿童结局预测任务上对BFF进行了验证，证明了在早期风险评估中一致的性能提升。代码可在https://github.com/scotsun/bff获取。
引用
@article{arxiv.2508.11210,
title = {Borrowing From the Future: Enhancing Early Risk Assessment through Contrastive Learning},
author = {Minghui Sun and Matthew M. Engelhard and Benjamin A. Goldstein},
journal= {arXiv preprint arXiv:2508.11210},
year = {2025}
}
备注
accepted by Machine Learning for Healthcare 2025