面向慢性阻塞性肺疾病预测的因果异构图学习方法
机器学习
2025-12-23 v1
摘要
由于基层诊疗能力不足，慢性阻塞性肺疾病（COPD）的早期识别与早期预警仍存在不足，常导致高发病率和高负担，但筛查率较低。为改善此情况，本文提出了一种面向COPD共病风险预测的因果异构图表示学习（Causal Heterogeneous Graph Representation Learning, CHGRL）方法：a)构建包含患者与疾病相互作用的异构数据集；b)构建兼具因果推断机制与异构图学习能力的因果感知异构图学习架构，支持异构图因果学习处理不同类型的关系；c)在模型设计中引入因果损失函数，在交叉熵分类损失基础上添加反事实推理学习损失与因果正则化损失。我们评估了该方法并与强基线GNN进行比较。实验结果表明，所提模型显示出高的检测准确率。
引用
@article{arxiv.2512.19194,
title = {Causal Heterogeneous Graph Learning Method for Chronic Obstructive Pulmonary Disease Prediction},
author = {Leming Zhou and Zuo Wang and Zhigang Liu},
journal= {arXiv preprint arXiv:2512.19194},
year = {2025}
}