SeqRisk：基于 Transformer 增强的稳健存活预测的潜在变量模型
机器学习
2026-02-20 v3
摘要
在医疗领域，患者结果风险评估一直基于存活分析，即建模时间-事件关联。然而，传统方法依赖于单一时间点的数据，导致在充分利用纵向患者历史和捕捉时间规律方面效果不佳。针对临床真实世界数据并认识到其挑战，我们利用潜在变量模型有效处理不规则、嘈杂且稀疏观察的纵向数据。我们提出 SeqRisk，一种将变分自编码器 (VAE) 或纵向 VAE (LVAE) 与基于 Transformer 的序列聚合和 Cox 比例风险模块结合用于风险预测的方法。SeqRisk 捕捉长程相互作用，提高预测准确性和可泛化性，同时为识别高风险患者提供部分可解释性。SeqRisk 在稀疏度增加的情况下表现出稳健的性能，持续超越现有方法。
关键词
引用
@article{arxiv.2409.12709,
title = {SeqRisk: Transformer-augmented latent variable model for robust survival prediction with longitudinal data},
author = {Mine Öğretir and Miika Koskinen and Juha Sinisalo and Risto Renkonen and Harri Lähdesmäki},
journal= {arXiv preprint arXiv:2409.12709},
year = {2026}
}