面向 ICU 风险预测的面向本体的对比学习与跨模态蒸馏
机器学习
2026-04-21 v1
摘要
及早预测 ICU 中的严重临床恶化和剩余住院时间可以实现及时干预和更好的资源分配。为此，发展出利用生命体征和其他生理信号的连续数据流进行实时风险预测的机器学习模型。尽管这些方法前景光明，但仍存在一些局限性。对比预训练将所有患者视为等权的负样本，无法捕捉患者之间基于相关诊断的临床相似性。另一方面，下游微调通常忽略了诊疗记录等补充模态，这些信息在生理信号本身无法提供。为此，我们提出了 OC-Distill，一个两阶段的框架，在训练期间利用多模态监督，但在推理时仅依赖生命体征。在第一阶段，我们引入一种面向本体的对比目标，利用 ICD 层次结构量化患者之间的相似性，学习临床上有意义的表征。在第二阶段，我们通过跨模态知识蒸馏对预训练的编码器进行微调，将诊疗记录中的补充信息传递到模型中。在 MIMIC 数据集上的多个 ICU 预测任务中，OC-Distill 在标签效率方面取得改进，并实现了仅使用生命体征即可的模型中的最佳性能。
引用
@article{arxiv.2604.16878,
title = {OC-Distill: Ontology-aware Contrastive Learning with Cross-Modal Distillation for ICU Risk Prediction},
author = {Zhongyuan Liang and Junhyung Jo and Hyang-Jung Lee and Sang Kyu Kim and Irene Y. Chen},
journal= {arXiv preprint arXiv:2604.16878},
year = {2026}
}