基于多模态深度学习的肝移植早期 GVHD 预测研究
机器学习
2025-11-18 v1 人工智能
摘要
器官移植宿主病（GVHD）是肝移植患者中一种罕见但致死率极高的并发症。本研究利用多模态深度学习方法整合异构且类别不平衡的电子健康记录（EHR），旨在推动 GVHD 的早期预测，为及时干预和改善患者预后提供可能。本研究分析了 2,100 例肝移植患者在手术前的电子健康记录（EHR），其中包括 42 例 GVHD 案例，数据来自 1992 年至 2025 年间 Mayo Clinic 的病例队列。该数据集包含四大类型模态：患者人口学特征、实验室检测、诊断和药物信息。我们构建了一个多模态深度学习框架，能够动态融合这些模态、处理不规则记录中的缺失值，并通过基于 AUC 的优化策略应对极端类别不平衡问题。该框架在所有单模态和多模态机器学习基线方法中均表现优异，实现 AUC 为 0.836、AUPRC 为 0.157、召回率为 0.768 和特异度为 0.803。本研究还证明了该方法在捕获不同模态中互补信息方面的有效性，从而提升了预测性能。我们的多模态深度学习框架在肝移植早期 GVHD 预测中显著优于现有方法，通过有效解决实际 EHR 中的异构性和极端类别不平衡问题，实现了准确的早期预测。尽管面临极端不平衡的 EHR 数据挑战，我们提出的多模态深度学习方法在 GVHD 早期预测方面显示出良好的前景。
引用
@article{arxiv.2511.11623,
title = {Early GVHD Prediction in Liver Transplantation via Multi-Modal Deep Learning on Imbalanced EHR Data},
author = {Yushan Jiang and Shuteng Niu and Dongjin Song and Yichen Wang and Jingna Feng and Xinyue Hu and Liu Yang and Cui Tao},
journal= {arXiv preprint arXiv:2511.11623},
year = {2025}
}