检索对齐的表格基础模型在面临现实约束下的临床风险预测
人工智能
2026-04-03 v1
摘要
从结构化电子健康记录 (EHR) 中进行临床预测面临高维度、异构性、类别不平衡以及分布漂移等挑战。虽然表格基于情境学习 (TICL) 和检索增强方法在通用基准测试上表现良好，但其在临床环境中的行为尚不明了。我们构建了一个多队列 EHR 基准测试，比较经典模型、深度表格模型和 TICL 模型在数据规模、特征维度、结果稀有性和跨队列泛化方面的表现。基于 PFN 的 TICL 模型在小数据场景中样本高效，但在采用朴素基于距离的检索时，随着异构性和不平衡性增加而性能下降。我们提出 AWARE，一种使用监督嵌入学习和轻量适配器的任务对齐检索框架。AWARE 在极端不平衡情况下将 AUPRC 提升最高可达 12.2%，且随数据复杂度增加而提升幅度增大。我们的结果识别检索质量和检索-推理对齐作为部署表格情境学习进行临床预测的关键瓶颈。
引用
@article{arxiv.2604.01841,
title = {Retrieval-aligned Tabular Foundation Models Enable Robust Clinical Risk Prediction in Electronic Health Records Under Real-world Constraints},
author = {Minh-Khoi Pham and Thang-Long Nguyen Ho and Thao Thi Phuong Dao and Tai Tan Mai and Minh-Triet Tran and Marie E. Ward and Una Geary and Rob Brennan and Nick McDonald and Martin Crane and Marija Bezbradica},
journal= {arXiv preprint arXiv:2604.01841},
year = {2026}
}
备注
Not peer-reviewed