对比表征学习助力跨机构知识迁移：儿童通气管理研究
机器学习
2025-01-28 v2 人工智能
摘要
临床机器学习在患者群体和临床实践差异显著的情况下面临重大部署挑战。我们present了一个在临床时间序列数据上实现跨机构知识迁移的系统框架，通过儿童通气管理在普通儿童重症监护室（PICU）和心脏专注单元之间进行演示。我们使用对比预测编码（CPC）进行表征学习，研究不同数据情境和微调策略对跨机构边界知识迁移的影响。我们的结果表明，虽然直接模型迁移表现不佳，但在适当微调后，CPC能够实现机构间的有效知识共享，在数据有限的情况下尤其受益显著。分析迁移模式揭示了一个重要的不对称性：时间 progression模式比点状护理决策更容易迁移，这表明了跨机构部署的实际路径。通过系统评估微调方法和迁移模式，我们的工作为开发更通用的临床决策支持系统，同时使较小的专业单位能够从大型中心利用知识提供了洞见。
引用
@article{arxiv.2501.13587,
title = {Contrastive Representation Learning Helps Cross-institutional Knowledge Transfer: A Study in Pediatric Ventilation Management},
author = {Yuxuan Liu and Jinpei Han and Padmanabhan Ramnarayan and A. Aldo Faisal},
journal= {arXiv preprint arXiv:2501.13587},
year = {2025}
}