基于偏差感知的医学时间序列分析对比适应方法
人机交互
2025-08-08 v1
摘要
在医学时间序列疾病诊断中，识别出两个关键挑战：首先，医疗数据的高标注成本导致在标签受限的单中心数据集上训练的模型易出现过拟合。为此，我们提出通过整合外部数据并利用 AE-GAN 提取先验知识，为下游任务提供有价值的参考。其次，许多现有研究采用对比学习以获得诊断任务更具普适性的医学序列表示，通常依赖人工设计的多样化正负样本对。然而，这些方法复杂且缺乏普适性，无法自适应地捕获不同病情下的疾病特定特征。为此，我们引入 LMCF（Learnable Multi-views Contrastive Framework），集成多头注意力机制，通过跨视图和类视图对比学习策略自适应学习来自不同视角的表示。此外，预训练的 AE-GAN 用于重构目标数据中的偏差作为疾病概率，并整合到对比学习过程中。在三个目标数据集上的实验表明，我们的方法 consistently 优于其他七个基线方法，凸显了在冠心病、阿尔茨海默病和帕金森病诊断等健康护理应用中的显著影响。我们将发布源代码于 xxxxx。
引用
@article{arxiv.2508.05572,
title = {Discrepancy-Aware Contrastive Adaptation in Medical Time Series Analysis},
author = {Yifan Wang and Hongfeng Ai and Ruiqi Li and Maowei Jiang and Ruiyuan Kang and Jiahua Dong and Cheng Jiang and Chenzhong Li},
journal= {arXiv preprint arXiv:2508.05572},
year = {2025}
}
备注
10 pages