NORA：面向肾脏疾病的表示学习方法
机器学习
2025-09-17 v1
摘要
慢性肾病 (CKD) 影响全球数百万人，但在门诊环境中早期检测仍具有挑战性，因 laboratory 基于肾脏生物标志物常不可得。本文探讨了利用 routinely 收集的 non-renal 临床变量（包括社会人口因素、合并症和尿液检查结果）进行 CKD 分类的预测潜力。我们提出肾脏导向表示学习 (NORA) 方法，结合 supervised 对比学习与非线性 Random Forest 分类器。NORA 首先从表格型 EHR 数据中导出判别性患者表示，再用于下游 CKD 分类。我们在来自 Riverside Nephrology Physicians 的门诊 EHR 数据集上评估了 NORA。结果表明，NORA 在类间可分性和整体分类性能方面均取得改善，尤其在早期 CKD 的 F1 分数上有显著提升。此外，我们在 UCI CKD 数据集上评估了 NORA 的泛化性，表明其在不同患者队列中有效实现 CKD 风险分层。
引用
@article{arxiv.2509.12704,
title = {NORA: A Nephrology-Oriented Representation Learning Approach Towards Chronic Kidney Disease Classification},
author = {Mohammad Abdul Hafeez Khan and Twisha Bhattacharyya and Omar Khan and Noorah Khan and Alina Aziz Fatima Khan and Mohammed Qutub Khan and Sujoy Ghosh Hajra},
journal= {arXiv preprint arXiv:2509.12704},
year = {2025}
}
备注
7 pages, 5 figures, accepted to the International Conference on Machine Learning and Applications (ICMLA) 2025