复用基础模型实现医学时间序列分类的通用性
机器学习
2025-05-20 v2
摘要
医学时间序列（MedTS）分类在实际部署中因数据之间的和数据内部的异质性（如通道数、信号长度、任务定义和患者特征的差异）而表现出差劲的通用性。为此，我们提出了 FORMED—a 一种复用背板基础模型的新型框架，用于在未见数据集上实现高度通用的 MedTS 分类。FORMED 将背板与一种新型分类器组合，包括两个组件：（1）任务特定的通道嵌入和标签查询，动态匹配任何通道数和目标类别数；（2）共享的解码注意力层，跨数据集联合训练以通过任务无关的特征-查询相互作用捕获医学领域知识。在复用后，FORMED 通过轻量级标签查询训练（仅占参数的 0.1%）即可实现对未见 MedTS 数据集的无缝适应，无需完整微调或架构重新设计。在 5 个多样化 MedTS 数据集上进行评估， FORMED 被 benchmark 对比 11 种任务特定模型（TSM）和 4 种任务特定适应方法。结果表明 FORMED 在性能上占据主导地位，在 ADFTD 数据集上相对于专用基线实现了最高 35% 的 F1 分数提升。进一步分析显示，FORMED 在不同通道配置、时间序列长度和临床任务之间保持一致的泛化，这些是实际部署中的关键挑战。通过解耦领域不变的表示学习与任务特定的适应，FORMED 建立了面向医疗保健的基础模型复用的可扩展且高效的范式。该方法优先考虑临床可适应性，而非僵化的任务中心设计，为实际应用提供了实用路径。
引用
@article{arxiv.2410.03794,
title = {Repurposing Foundation Model for Generalizable Medical Time Series Classification},
author = {Nan Huang and Haishuai Wang and Zihuai He and Marinka Zitnik and Xiang Zhang},
journal= {arXiv preprint arXiv:2410.03794},
year = {2025}
}