基于Transformer建模的临床风险识别深度学习方法
机器学习
2025-11-07 v1
摘要
本研究提出一种基于Transformer的纵向建模方法，以解决临床风险分类中遇到的挑战，包括不规则的时间模式、巨大的模态差异和复杂的语义结构。该方法将多源医疗特征作为输入，并采用特征嵌入层实现结构化和非结构化数据的统一表示。引入可学习的时间编码机制以捕捉在不均匀采样间隔下的动态演化。核心模型采用多头自注意力结构，对纵向序列进行全局依赖建模，使其能够聚合不同时间尺度上的长期趋势和短期波动。为了增强语义表示，我们设计了语义加权池化模块，以对关键医疗事件分配自适应重要性，提高与风险相关特征的判别能力。最后，线性映射层生成 individual-level 的风险评分。实验结果表明，所提出的模型在准确率、召回率、精确率和F1分数方面均优于传统机器学习和时间序列深度学习模型，在多源异构EHR环境中实现稳定且精确的风险识别，为临床智能决策提供了一个高效可靠的框架。
引用
@article{arxiv.2511.04158,
title = {Deep Learning Approach for Clinical Risk Identification Using Transformer Modeling of Heterogeneous EHR Data},
author = {Anzhuo Xie and Wei-Chen Chang},
journal= {arXiv preprint arXiv:2511.04158},
year = {2025}
}