基于 Transformer 的内镜性不良事件早期预警多标签学习
机器学习
2026-04-28 v2 人工智能
摘要
内镜性不良事件的早期预警在降低手术风险和提高患者安全方面发挥着关键作用。虽然深度学习在预测单一不良事件方面显示出前景，但仍存在若干关键挑战：忽视不良事件之间的依赖关系、未充分利用异构临床数据以及受医学数据集中不平衡的限制。为此，我们构建了首个内镜性不良事件多标签数据集（MuAE），覆盖六个关键事件。随后，我们提出一种新型基于 Transformer 的多标签学习框架（IAENet），结合改进的时序感知特征线性调制（TAFiLM）模块，用于静态协变量和动态变量的稳健融合和复杂时序依赖关系建模。进而，我们引入带有共现正则化的标签约束重加权损失（LCRLoss），有效缓解事件间的不平衡并强制频繁共现事件之间的结构一致性。广泛的实验结果表明，IAENet 在 5 分钟、10 分钟和 15 分钟早期预警任务中均稳居强基准之上，在平均 F1 分数上分别提升了 +5.05%、+2.82% 和 +7.57%。这些结果凸显了 IAENet 在临床实践中支持智能内镜决策的潜力。
引用
@article{arxiv.2603.05212,
title = {Early Warning of Intraoperative Adverse Events via Transformer-Driven Multi-Label Learning},
author = {Xueyao Wang and Xiuding Cai and Honglin Shang and Yaoyao Zhu and Yu Yao},
journal= {arXiv preprint arXiv:2603.05212},
year = {2026}
}
备注
Accepted by AAAI 2026