面向临床数据的不确定性感知基础模型
机器学习
2026-04-07 v1
摘要
医疗基础模型在很大程度上遵循自然语言处理和计算机视觉的范式，强调大规模预训练和确定性表示，而忽视了异质性临床数据。然而，临床观测本质上是不完整的，反映了底层生理状态的稀疏、不规则且依赖于模态的测量。在这项工作中，我们提出了一种不确定性感知基础建模框架，该框架将每位患者表示为可能潜在状态的分布，而非点嵌入。通过学习集合值表示并在同一患者的局部视图之间强制一致性，模型能够捕捉不变的可推断信息，同时显式编码认知不确定性。我们将该公式与多模态编码器和可扩展的自监督目标相结合，整合了重建、对比对齐和分布正则化。在多样化的临床任务中，我们的方法在预测性能、缺失数据下的鲁棒性和不确定性校准方面均优于强基线。这些结果表明，对未观测事物的建模而不仅仅是已观测事物，构成了医疗基础模型的关键归纳偏置。
引用
@article{arxiv.2604.04175,
title = {Uncertainty-Aware Foundation Models for Clinical Data},
author = {Qian Zhou and Yuanyun Zhang and Shi Li},
journal= {arXiv preprint arXiv:2604.04175},
year = {2026}
}