面向异构人群的因果与联邦多模态学习用于心血管风险预测
机器学习
2026-01-13 v1 机器学习
摘要
心血管疾病（CVD）持续是全球死亡的主要原因，迫切需要预测模型既能处理多样且高维生物医学信号，又能保持可解释性与隐私。我们构建了一个单一的多模态学习框架，将跨模态变换器与图神经网络及因果表征学习集成，用于衡量个体化 CVD 风险。该模型整合基因变异、心脏 MRI、心电图波形、可穿戴设备数据及结构化电子健康记录（EHR）数据，以预测风险，同时通过不同临床亚群间的因果不变性约束实现可靠性。为维持透明度，我们采用基于 SHAP 的特征归因、反事实解释及因果潜在对齐，提供可理解的风险因子。此外，我们将设计置于联邦、隐私保护优化协议中，并在分布性迁移下建立收敛、校准与不确定性量化规则。基于大型生物库与多机构数据的实验显示，该模型在风险区分度与鲁棒性方面实现了最先进水平，跨人口统计特征与临床异构队列表现公平。该研究为在群体层面构建原则性、可解释且尊重隐私的 CVD 预测奠定了基础。
引用
@article{arxiv.2601.06140,
title = {Causal and Federated Multimodal Learning for Cardiovascular Risk Prediction under Heterogeneous Populations},
author = {Rohit Kaushik and Eva Kaushik},
journal= {arXiv preprint arXiv:2601.06140},
year = {2026}
}
备注
9 pages, 5 figures