面向临床环境的快速可靠凝血评估神经网络架构：利用血小板弹力学
机器学习
2026-01-13 v1 人工智能
摘要
在理想的医疗环境中，实时凝血监测可实现早期检测和及时纠正风险。然而，传统血小板弹力学（Thromboelastography, TEG）这种广泛使用的诊断方法，只能在近1小时测量后提供此类输出。这种延迟可能导致死亡率升高。这些问题明确指出了医学人工智能开发的关键挑战：基于非常小的数据集制定合理预测，并考虑不同患者人群之间的差异，这是传统深度学习方法通常表现不佳的任务。我们提出了生理状态重构（Physiological State Reconstruction, PSR）算法，专为利用个体之间动态变化，并通过映射到可靠预测和诊断来最大化少量临床数据所产生的有用信息。我们开发了MDFE以便于集成多种时序信号，使用多域学习，并通过HLA联合学习高层时序相互作用和注意力机制；此外，我们设计的可参数化的DAM保持计算生命体征的稳定性。PSR在4个专门针对TEG的数据集上进行评估，实现了卓越的性能——凝血特征的R2预测值>0.98，错误率约为当前最先进方法的一半，推理时间也缩短了一半。漂移感知学习指向了新的未来，潜在用途远超血栓性疾病发现，向数据稀缺的医学AI应用拓展。
引用
@article{arxiv.2601.07618,
title = {Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography},
author = {Yulu Wang and Ziqian Zeng and Jianjun Wu and Zhifeng Tang},
journal= {arXiv preprint arXiv:2601.07618},
year = {2026}
}
备注
This paper has been accepted by AAAI26