基于小样本患者动态多模态生理数据的 Transformer 表示学习的必要性
机器学习
2025-05-14 v3
摘要
术后惊悩 (POD)，即影响近 50% 高危手术患者的严重神经精神并发症，被定义为注意和认知的急性障碍。在由于主观监测方法的原因，在 ICU 中仍显著低诊断。POD 的早期和准确诊断至关重要且可实现。本文提出了一个由 Transformer 表示模型 followed by 传统机器学习算法组成的 POD 预测框架。我们的做法利用多模态生理数据，包括幅度整合脑电图 (aEEG)、生命体征、心电图监护数据以及血流动力学参数。我们构建了包含两种患者类型的首个多模态 POD 数据集，并评估了 various Transformer 架构用于表示学习。实证结果表明，在患者 TYPE I 中使用 Transformer 表示在灵敏度和 Youden 指数方面 consistently 获得改进，尤其是我们对 Pathformer 的 fusion adaptation。通过在术后第 1 天至第 3 天实现有效的惊悩诊断，我们的大量实验结果强调了多模态生理数据的潜力，并凸显了在临床诊断中通过多模态 Transformer 架构进行表示学习的必要性。
引用
@article{arxiv.2504.04120,
title = {Transformer representation learning is necessary for dynamic multi-modal physiological data on small-cohort patients},
author = {Bingxu Wang and Min Ge and Kunzhi Cai and Yuqi Zhang and Zeyi Zhou and Wenjiao Li and Yachong Guo and Wei Wang and Qing Zhou},
journal= {arXiv preprint arXiv:2504.04120},
year = {2025}
}