捕获临床时间序列中事件的时序注意力

从纵向电子健康记录（EHR）数据中自动发现个体化轨迹（即顺序事件模式）对于实现临床研究中的精准医学至关重要，但即便是当代人工智能模型也面临巨大挑战。例如，虽然 Transformer 的注意力机制能够捕获丰富的关联，但它对事件的时序和排序几乎不敏感，从而绕过了潜在的因果推理。直观地看，我们需要一种能够评估“患者特定轨迹之间对齐程度”的方法，并识别其共享模式，即在一致序列中出现的显著事件。这一需求 necessitates 将时序作为一个可计算的维度，使模型能够为候选事件分配“相对时间戳”，而不仅仅是其观察到的物理时间。在本文中，我们引入了 LITT（Individual-Level Time Transformation），一种新型架构，使其能够在虚拟的“相对时间轴”上对顺序事件进行临时对齐，从而实现“以事件时序为焦点的注意力”并对临床轨迹进行个体化解读。其可解释性和实际效果已通过来自 3,276 名乳腺癌患者的真实世界纵向 EHR 数据得到验证，用于预测心毒性诱发的心脏病发作时序。此外，LITT 在公开数据集上超越了基准方法和最新生存分析方法，为临床 AI 领域的精准医学奠定了重要基础。