SepsisSuite：超越风险分层——深度融合与专家堆叠在预处方性脓肺AI中的比较分析

脓肺占全球ICU入院病例的近20%，但常规预测模型往往难以有效整合异构数据流，要么数据流被模态隔离，要么依赖脆弱的早期融合。本文对End-to-End Deep Fusion与Context-Aware Stacking两种方法进行严格的架构比较。我们最初假设，一种新颖的四模态分层门控注意力网络——称为SepsisFusionFormer——将解决肺脓液任务中复杂的跨模态互动（包括生命体征、文本和影像）。然而，在MIMIC-IV数据集上的实验表明，SepsisFusionFormer在小规模抗生素队列（$N \approx 2,100$）中出现“注意力饥饿”，导致过拟合（AUC为0.66）。这一反直觉的结果启发我们设计SepsisLateFusion——一种“更精简”的Context-Aware Mixture-of-Experts（MoE）架构。通过将模态视为正交专家——“历史学家”（静态数据）、“监护员”（时序数据）和“阅读者”（NLP）——并通过CatBoost元学习器动态门控它们，我们实现了最先进（SOTA）性能：预测在临床发作前4小时的AUC为0.915。通过校准决策阈值以确保临床安全，我们将漏检病例减少48%，从而为及时干预提供真正的预防窗口，而不仅仅是反应性警报。此外，对于新颖的多类别抗生素选择任务，我们展示了四模态集成实现了最高性能（0.72 AUC）。这些模型集成到SepsisSuite框架中，该框架是一个面向临床决策支持的部署就绪Python框架。SepsisSuite可免费在：https://github.com/RyanCartularo/SepsisSuite-Info 获取。