面向脓毒症预测的端到端自编码器 MLP 框架
计算与语言
2025-08-27 v1
摘要
脓毒症是一种危及生命的疾病，需要在重症监护环境中及时检测。传统机器学习方法，包括 Naive Bayes、支持向量机 (SVM)、随机森林和 XGBoost，往往依赖手动特征工程且在电子健康记录中常见的规则、不完整时间序列数据方面表现不佳。我们引入一种端到端深度学习框架，将无监督自编码器用于自动特征提取，与用于二分类脓毒症风险预测的多层感知器分类器集成。为增强临床实用性，我们实现了自定义的下采样策略，在训练期提取高信息密度片段，并在实时推理中采用非重叠动态滑动窗口机制。预处理后的时间序列数据表示为固定维度向量，伴随明确的缺失指示符，以减轻偏差和噪声。我们在三个 ICU 队列上对方法进行了验证。我们的端到端模型分别实现了 74.6%、80.6% 和 93.5% 的准确率，始终优于传统机器学习基线。这一结果表明该框架在异构 ICU 环境中具有卓越的鲁棒性、可泛化性和临床实用性，适用于早期脓毒症检测。
引用
@article{arxiv.2508.18687,
title = {Knowing or Guessing? Robust Medical Visual Question Answering via Joint Consistency and Contrastive Learning},
author = {Songtao Jiang and Yuxi Chen and Sibo Song and Yan Zhang and Yeying Jin and Yang Feng and Jian Wu and Zuozhu Liu},
journal= {arXiv preprint arXiv:2508.18687},
year = {2025}
}