MATA-Former 与 SIICU：面向高保真 ICU 风险预测的语义感知时序对齐
机器学习
2026-04-03 v1
摘要
预测演化性临床风险依赖的是内在的病理依赖性，而非仅仅是时间上的接近性；然而，当前方法在粗糙的二元监督和物理时间戳方面存在挑战。为将预测建模与临床逻辑对齐，我们提出了 Medical-semantics Aware Time-ALiBi Transformer (MATA-Former)，利用事件语义动态参数化注意力权重，以优先考虑因果有效性而非时间滞后。此外，我们引入了 Plateau-Gaussian Soft Labeling (PSL)，将二元分类重新表述为连续的多时段回归，用于完整轨迹的风险建模。在SIICU——一个新构建的数据集，拥有超过 506k 条经严格专家验证的细粒度注释——以及 MIMIC-IV 数据集上评估，我们的框架在捕获来自文本丰富、不规则临床时间序列的风险方面显示出卓越的效果和稳健的泛化能力。
关键词
引用
@article{arxiv.2604.01727,
title = {MATA-Former & SIICU: Semantic Aware Temporal Alignment for High-Fidelity ICU Risk Prediction},
author = {Zhichong Zheng and Xiaohang Nie and Xueqi Wang and Yuanjin Zhao and Haitao Zhang and Yichao Tang},
journal= {arXiv preprint arXiv:2604.01727},
year = {2026}
}