TAMER：用于电子健康记录表示学习的测试时自适应MoE驱动框架
机器学习
2025-03-19 v2
摘要
我们提出了TAMER，一个用于电子健康记录（EHR）表示学习的测试时自适应MoE驱动框架。TAMER引入了一个将混合专家架构与测试时自适应协同设计的框架，以共同缓解EHR建模中患者异质性和分布偏移交织的挑战。MoE通过领域感知的专家特化专注于潜在的患者亚组，而TTA使得在引入新患者样本时能够实时适应不断演变的健康状况分布。在四个真实世界EHR数据集上的广泛实验表明，当与各种EHR建模骨干网络结合时，TAMER在死亡率和再入院风险任务中均持续提高了预测性能。TAMER为实际临床环境中的动态和个性化EHR预测提供了一种有前景的方法。
引用
@article{arxiv.2501.05661,
title = {TAMER: A Test-Time Adaptive MoE-Driven Framework for EHR Representation Learning},
author = {Yinghao Zhu and Xiaochen Zheng and Ahmed Allam and Michael Krauthammer},
journal= {arXiv preprint arXiv:2501.05661},
year = {2025}
}
备注
8 pages, 3 figures, 7 tables. Code is available at: https://github.com/yhzhu99/TAMER