NPCNet：面向早期败血症分型的导航驱动伪文本深度聚类
机器学习
2026-04-21 v2
摘要
电子健康记录 (EHR) 提供了用于患者建模的高维时序数据；然而，传统算法方法常依赖数据聚合或插值，导致时序疾病轨迹被扭曲。此类计算局限在败血症问题上尤为关键，因为败血症是一种异质综合征，在基于聚类的分层方法中发挥关键作用，以识别临床上具有区分性的表型，从而制定精确的治疗策略。此外，现有聚类过程很少纳入领域驱动的约束，常导致表型缺乏明确的临床区分性。我们提出一种新型聚类网络 NPCNet，包含文本嵌入生成器、聚类算子和目标导航器。首先将EHR转化为伪文本，通过离散化连续临床测量值实现；随后将其与静态变量集成构建嵌入表示。目标导航器通过辅助任务将临床知识注入嵌入表示，从而约束聚类结果，使败血症表型更贴合临床意义。最后，聚类算子采用迭代细化机制，在领域驱动约束下联合优化表型质心和患者表示。大量实验表明，NPCNet 在公共数据集上在内部聚类基准和临床有效性指标上均实现了优异性能，为败血症管理的精准治疗提供了可行路径。
引用
@article{arxiv.2602.03562,
title = {NPCNet: Navigator-Driven Pseudo Text for Deep Clustering of Early Sepsis Phenotyping},
author = {Pi-Ju Tsai and Charkkri Limbud and Kuan-Fu Chen and Yi-Ju Tseng},
journal= {arXiv preprint arXiv:2602.03562},
year = {2026}
}