面向个体化内科假设性血压预测的跨样本增强测试时适应
机器学习
2026-03-25 v1 人工智能
摘要
内科假设性血压（IOH）虽然构成显著的手术风险，但准确预测仍具挑战，因患者间变异性大。虽然测试时适应（TTA）为个体化预测提供了有前景的方案，但 IOH 事件稀有常导致测试时训练不可靠。为此，我们提出 CSA-TTA，即一种跨样本增强测试时适应框架，通过整合来自其他个体的假设性血压事件来增强训练。具体而言，我们首先通过将历史数据分割为假设性和非假设性样本来构建跨样本库。随后，我们引入粗到细检索策略以构建测试时训练数据：首先应用 K-Shape 聚类识别代表性聚类中心，然后基于当前患者信号检索最相似的 top-K 语义样本。此外，我们整合自监督掩码重建和回顾性序列预测信号，以增强模型对快速和微妙内科动态的适应性。我们将所提出的 CSA-TTA 集成到最先进的时间序列预测模型中进行评估，包括 TimesFM 和 UniTS。CSA-TTA 在各种设置下均显著提升性能——例如，在 VitalDB 上，采用微调时，召回率和 F1 分数分别提高 1.33% 和 1.13%；在零样本情境中提升 7.46% 和 5.07%，显示出强大的鲁棒性和泛化能力。
引用
@article{arxiv.2512.15762,
title = {Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction},
author = {Kanxue Li and Yibing Zhan and Hua Jin and Chongchong Qi and Xu Lin and Baosheng Yu},
journal= {arXiv preprint arXiv:2512.15762},
year = {2026}
}
备注
Accepted by AAAI 2026