通过晚期融合多模态EHR模型中的模态丢弃改进儿科急诊科分诊
机器学习
2026-04-14 v1
摘要
急诊科分诊在很大程度上依赖于定量的生命体征和定性的临床记录，然而预测分诊紧急程度的多模态机器学习模型常常因过度依赖结构化表格数据而遭受模态崩溃。这一限制严重阻碍了跨人群的泛化能力，尤其是对于儿科患者，因为其生命体征的发育变化使得非结构化的临床叙述变得尤为关键。为了解决这一差距，我们提出了一种晚期融合多模态架构，该架构通过XGBoost处理表格生命体征，通过Bio_ClinicalBERT处理非结构化临床文本，并通过逻辑回归元分类器组合以预测5级紧急严重指数。为了明确针对外部有效性问题，我们仅在MIMIC-IV和NHAMCS数据集的成人就诊记录上训练模型，并评估其在传统上被忽视的儿科队列上的零样本泛化能力。此外，我们在训练过程中采用对称模态丢弃，以防止集成模型过拟合于成人特定的临床相关性。我们的结果表明，多模态框架显著优于单模态基线。最值得注意的是，应用30-40%的对称模态丢弃率在未见过的儿科队列中带来了性能的显著提升，将二次加权Kappa值提高到0.351。这些发现强调了模态丢弃作为一种关键的正则化技术，用于减轻模态崩溃并增强临床AI中的跨人群泛化能力。
引用
@article{arxiv.2604.09905,
title = {Improving Pediatric Emergency Department Triage with Modality Dropout in Late Fusion Multimodal EHR Models},
author = {Tyler Yang and Romal Mitr},
journal= {arXiv preprint arXiv:2604.09905},
year = {2026}
}
备注
10 pages, 4 figures, 4 tables