Hugging Face发布TRACE：多模态临床轨迹建模助力住院风险预测

摘要：Hugging Face推出TRACE（TRAjectory modeling of multimodal Clinical Events），一种用于住院风险预测的多模态临床轨迹建模框架。该框架通过将临床事件组织成日级轨迹，并结合时间注意力机制和表型引导的对比学习目标，显著提升了住院死亡率、住院时长和再入院预测的准确性。TRACE在MIMIC-IV、eICU和MIMIC-III数据集的九个任务设置中均表现出色，超越了现有基线方法。

---

核心突破

TRACE框架的核心创新点在于其对多模态临床数据的日级轨迹建模方法。与传统方法不同，TRACE将临床事件按天组织成轨迹，并分离出日不变的全局上下文和日特定的局部事件。这种方法能够更有效地捕捉住院期间随时间变化的临床模式，从而提升风险预测的准确性。

技术机制剖析

TRACE采用时间注意力机制对轨迹进行编码，使得不可用的模态可以不发任何token，从而避免了对缺失数据的依赖。此外，TRACE引入了一个表型引导的对比学习目标，将住院记录根据不同的疾病分布进行组织，进一步提升了模型的泛化能力。

工程权衡与实测表现

TRACE在MIMIC-IV、eICU和MIMIC-III数据集的九个任务设置中进行了评估，结果显示其在所有设置中均取得了最高的AUROC，并在八个设置中取得了最高的ACC，显著优于现有基线方法。消融研究表明，时间注意力机制和对比学习目标对模型性能的提升起到了关键作用。

开发者落地与部署建议

TRACE的日级轨迹建模方法对计算资源的需求较高，建议在配备GPU加速的服务器上进行部署。此外，TRACE的对比学习目标需要大量标注数据，开发者应确保数据质量以获得最佳性能。TRACE的模块为开发者提供了灵活的接口，可以根据具体应用场景进行定制化调整。

行业影响

TRACE的发布标志着AI在医疗风险预测领域的又一重要进展。其多模态融合和时间建模能力为临床决策支持系统提供了新的思路，有望推动AI在医疗领域的更广泛应用。

---

消息来源：Hugging Face Daily Papers (2026-10-19)

—— 完 ——

主题标签： #Hugging Face 关注 #多模态 关注 #临床风险预测 关注 #时间注意力 关注 #对比学习 关注