Patients-like-me框架:融合语言模型与图神经网络,实现可解释的临床预测
摘要:arXiv最新研究提出Patients-like-me(PLM)框架,将语言模型(LM)与图神经网络(GNN)统一,结合局部患者语义与全局队列结构,用于电子健康记录(EHR)的临床预测。PLM通过变分期望最大化算法交替优化LM和GNN,在MIMIC-III和MIMIC-IV基准上超越现有方法,且仅需适度额外计算开销。该框架还提供参考患者解释,通过检索相似患者增强模型可解释性,为临床决策支持提供了新范式。
研究背景
电子健康记录(EHR)包含丰富的患者时序数据,语言模型(LM)能够有效提取文本表示,但通常独立编码患者序列,缺乏对患者间关系的建模,且可解释性有限。图神经网络(GNN)通过引入患者间关系弥补了这一不足,并支持参考患者归因,但其性能依赖于高质量的患者表示。
核心方法:Patients-like-me(PLM)
PLM框架将LM与GNN统一,整合局部患者语义与全局队列结构。其训练采用变分期望最大化(EM)算法,在监督变分目标下交替更新LM和GNN,实现高效协同优化。
实验结果
在MIMIC-III和MIMIC-IV基准上,PLM一致优于现有最先进方法,且改进在仅编码器和仅解码器LM骨干上均成立。额外计算开销适度,表明其实际部署可行性。
可解释性
PLM通过检索有影响力的相似患者提供参考患者解释。边掩蔽实验证实,排名最高的参考患者对模型预测影响最大,验证了解释的有效性。
行业影响与开发者建议
- 临床决策支持:PLM为临床预测提供可解释的AI辅助,增强医生对模型输出的信任。
- 技术融合:LM与GNN的协同框架为其他领域(如社交网络、推荐系统)提供借鉴。
- 开发者启示:变分EM算法可应用于多模态模型训练,平衡局部与全局信息。
出处
本文基于arXiv预印本论文:arXiv:2608.04193。
—— 完 ——消息来源:ArXiv NLP/LLM (cs.CL) (2026-08-06)
主题标签: #语言模型 #图神经网络 #临床预测 #可解释性 #EHR
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区