基于深度核学习的视网膜色素变性轨迹分层
机器学习
2026-05-04 v1
摘要
有效分层慢性疾病如视网膜色素变性患者的风险是临床中的主要挑战。临床医生需要工具来识别来自稀疏且不规则采样的电子健康记录(EHRs)中高风险患者的进展风险。我们提出了一种 novel 深度核学习(DKL)架构，利用高斯过程(GP)后端。GP的核函数由应用于临床-BERT嵌入的基于转换器的特征提取器定义，用于建模来自多模态EHR数据的视网膜色素变性患者轨迹。我们的方法成功识别了三个临床上有区别的患者子群。关键的是，该模型学习了将疾病进展与当前严重程度解耦，识别出一组在平均视力更好的情况下仍呈恶化趋势的高风险患者，与另一组视力稳定但较差的患者形成对比。这表明该模型学习的是识别进展风险而不仅仅是当前疾病状态的能力。这种基于患者风险轨迹进展进行分层的能力为临床决策支持提供了强大的工具，使针对高风险个体的精准干预成为可能，改善视网膜色素变性护理的管理。
引用
@article{arxiv.2605.00708,
title = {Deep Kernel Learning for Stratifying Glaucoma Trajectories},
author = {Bruce Rushing and Angela Danquah and Alireza Namazi and Arjun Dirghangi and Heman Shakeri},
journal= {arXiv preprint arXiv:2605.00708},
year = {2026}
}