基于多模态图的食管运动障碍分类
机器学习
2026-05-14 v1
摘要
诊断食管运动障碍因高分辨率阻抗测位 (HRIM) 数据的复杂性以及临床解读的差异性，面临着显著的挑战。本文探讨了一种基于多模态机器学习 (ML) 的分类方法的可行性，该方法结合了HRIM记录与患者特定信息，并 incorporates 食管生理学的图基建模。我们分析了来自104名食管运动障碍患者的HRIM记录及其对应的患者信息。患者数据包括从结构化问卷和自由文本笔记中提取的人口学信息、临床信息和症状信息，这些信息通过关键词检测和大型语言模型处理。HRIM数据表示为时空图，其中节点对应于食管沿线的压力值，边编码空间相邻性和阻抗动力学。应用图神经网络 (GNN) 以学习生理学上有意义的表示，并与患者嵌入融合，以进行吞咽事件的多类别、多分类。通过消融研究和与基于视觉的分类基线的比较来评估患者特征和图基建模的影响。该提出的多模态方法在所有分类类别中均显示出相对于仅依赖HRIM派生特征的模型的改进。此外，图基建模也优于基于视觉的基线。我们的实验系统性地评估了多个模态的互补贡献，并演示了我们提出的图基方法的可行性。我们的初始发现表明， 将患者水平数据与HRIM信号的图基表示相整合，似乎是一种更准确分类食管运动障碍的有前景的方向。
引用
@article{arxiv.2605.13623,
title = {Multimodal Graph-based Classification of Esophageal Motility Disorders},
author = {Alexander Geiger and Lars Wagner and Daniel Rueckert and Alois Knoll and Dirk Wilhelm and Alissa Jell},
journal= {arXiv preprint arXiv:2605.13623},
year = {2026}
}