TabulaTime：通过环境与临床数据融合推进急性冠脉综合征预测的新型多模态深度学习框架
人工智能
2025-04-29 v2 机器学习
摘要
急性冠脉综合征（ACS），包括 ST 段抬高型心肌梗死（STEMI）和非 ST 段抬高型心肌梗死（NSTEMI），仍然是全球死亡的主要原因。传统的心血管风险评分主要依赖临床数据，往往忽略了空气污染等对心脏健康有重大影响的环境因素。此外，将复杂的时间序列环境数据与临床记录相融合具有挑战性。我们引入了 TabulaTime，这是一个通过结合临床风险因素与空气污染数据来增强 ACS 风险预测的多模态深度学习框架。TabulaTime 具有三项关键创新：首先，它将时间序列空气污染数据与临床表格数据相融合以提高预测准确性。其次，其 PatchRWKV 模块自动提取复杂的时间模式，克服了传统特征工程的局限性，同时保持线性的计算复杂度。第三，注意力机制通过揭示临床和环境因素之间的交互作用来增强可解释性。实验结果表明，与 CatBoost、Random Forest 和 LightGBM 等传统模型相比，TabulaTime 将预测准确性提高了 20% 以上，仅空气污染数据就贡献了 10% 以上的提升。特征重要性分析确定了关键预测因素，包括既往心绞痛、收缩压、PM10 和 NO2。总体而言，TabulaTime 桥接了临床与环境洞察，支持个性化预防策略，并为制定旨在降低 ACS 风险的公共卫生政策提供信息。
引用
@article{arxiv.2502.17049,
title = {TabulaTime: A Novel Multimodal Deep Learning Framework for Advancing Acute Coronary Syndrome Prediction through Environmental and Clinical Data Integration},
author = {Xin Zhang and Liangxiu Han and Stephen White and Saad Hassan and Philip A Kalra and James Ritchie and Carl Diver and Jennie Shorley},
journal= {arXiv preprint arXiv:2502.17049},
year = {2025}
}