DT-BEHRT：面向可解释患者表征学习的疾病轨迹感知 Transformer
机器学习
2026-03-12 v1
摘要
电子健康记录 (EHR) 系统的日益普及提供了 unprecedented 的机会，通过预测建模来指导临床决策。结构化 EHR 包含患者在不同医院访问期间的纵向观察，其中每个访问由一组医疗代码表示。尽管已发展出基于序列、基于图和图增强序列的方法来捕捉随时间或同一访问内代码之间的丰富相互作用，但这些方法往往忽略了医疗代码因不同临床特征和情境而产生的固有异构性。为此，本研究提出了面向 EHR 的疾病轨迹感知 Transformer (DT-BEHRT)，一种图增强序列架构，通过显式建模诊断中心在器官系统内的相互作用，捕捉非同步的疾病进展模式。为进一步增强表征的鲁棒性，我们设计了一种量身定制的预训练方法，将轨迹级别的代码遮蔽与受 ontology 启发的祖先预测相结合，促进跨多个建模模块的语义对齐。大量实验表明，DT-BEHRT 在多个基准数据集上实现了强大的预测性能，并提供了与临床医生疾病中心推理相一致的可解释患者表征。源代码可在 https://github.com/GatorAIM/DT-BEHRT.git 上公开获取。
引用
@article{arxiv.2603.10180,
title = {DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning},
author = {Deyi Li and Zijun Yao and Qi Xu and Muxuan Liang and Lingyao Li and Zijian Xu and Mei Liu},
journal= {arXiv preprint arXiv:2603.10180},
year = {2026}
}