基于超图预训练的ESUS患者心房颤动预测提升
机器学习
2026-03-18 v2 人工智能
摘要
心房颤动(AF)是脑血管栓塞不确定来源(ESUS)患者后期的主要并发症，增加复发性中风和死亡风险。早期识别具有临床意义，但现有工具在准确性、可扩展性和成本方面存在局限。机器学习(ML)虽有前景，但受限于ESUS队列样本较小和高维医疗特征。为此，我们引入监督和无监督超图-based预训练策略，以提高ESUS患者AF预测效果。我们首先在大型中风队列(7,780例)上对超图-based患者嵌入模型进行预训练，以捕获显著特征和更高阶相互作用。随后将得到的嵌入表示转移到较小的ESUS队列(510例)，在保持临床有意义信息的同时降低特征维度，使轻量级模型能够有效预测。实验表明，两种预训练方法均优于在原始数据上训练的传统模型，提升了准确性和鲁棒性。该框架为中风后AF风险预测提供了可扩展且高效的解决方案。
关键词
引用
@article{arxiv.2603.13297,
title = {Enhanced Atrial Fibrillation Prediction in ESUS Patients with Hypergraph-based Pre-training},
author = {Yuzhang Xie and Yuhua Wu and Ruiyu Wang and Fadi Nahab and Xiao Hu and Carl Yang},
journal= {arXiv preprint arXiv:2603.13297},
year = {2026}
}