面向疾病预测的结构感知超图变换器
机器学习
2025-08-29 v1
摘要
电子健康记录 (EHR) 通过标准化的医疗代码系统地组织患者健康数据，作为预测建模的全面且不可或缺的来源。图神经网络 (GNN) 在建模 EHR 中医疗代码之间的相互作用方面已显示出有效性。然而，现有的 GNN-based 方法存在不足：a) 其对偶关系的依赖无法捕捉临床数据中固有的更高阶依赖性，b) 局部消息传递方案限制了表示的能力。为了解决这些问题，本文提出一种 novel Structure-aware HyperGraph Transformer (SHGT) 框架，基于三重思想：a) 采用超图结构编码器来捕捉医疗代码之间的更高阶相互作用，b) 集成 Transformer 架构对整个超图进行推理，c) 设计一种针对性的损失函数，纳入超图重建以保持超图的原始结构。在真实 EHR 数据集上的实验表明，所提出的 SHGT 在诊断预测方面优于现有的 state-of-the-art 模型。
关键词
引用
@article{arxiv.2508.20500,
title = {Structure-aware Hypergraph Transformer for Diagnosis Prediction in Electronic Health Records},
author = {Haiyan Wang and Ye Yuan},
journal= {arXiv preprint arXiv:2508.20500},
year = {2025}
}