通过自回归序列建模处理患者临床轨迹中的缺失模态
机器学习
2026-05-08 v2 人工智能
摘要
开发面向医疗保健的多模态机器学习模型时，处理训练和部署期间的缺失模态是一项活跃的挑战。由于临床数据本质上是时序的且在模态存在方面稀疏，捕获通过诊断性多模态 ML 模型所蕴含的预测信号，同时保持模型可解释性，仍是一个持续的挑战。在本工作中，我们通过将临床诊断重新建模为自回归序列建模任务，利用大型语言模型(LLM)中的因果解码器来建模患者的多模态轨迹。我们首先引入一种缺失感知对比预训练目标，将数据集中存在缺失的多个模态整合到共享潜在空间中。随后我们表明，基于 Transformer 架构的自回归序列建模在 MIMIC-IV 和 eICU 细化基准测试中超越了基线方法。最后，我们使用可解释性技术超越性能提升，发现在各种患者住院期间，移除不同模态会导致行为发生 divergence，而我们的对比预训练可减轻这种现象。通过将临床诊断抽象为序列建模并解释患者住院轨迹，我们开发了一种框架来轮廓化和处理缺失模态，同时满足医学 AI 的基本要求：安全、透明。
关键词
引用
@article{arxiv.2604.18753,
title = {Handling and Interpreting Missing Modalities in Patient Clinical Trajectories via Autoregressive Sequence Modeling},
author = {Andrew Wang and Ellie Pavlick and Ritambhara Singh},
journal= {arXiv preprint arXiv:2604.18753},
year = {2026}
}