Patients-like-me：用于可解释临床预测的变分LM-GNN框架

arXiv cs.CL 论文
clinical-prediction electronic-health-records graph-neural-networks language-models explainable-ai variational-em

摘要

本文提出了Patients-like-me（PLM），一个统一的LM-GNN框架，将局部患者语义与全局队列结构相结合，用于可解释的临床预测。它引入了一种变分期望最大化算法，并在MIMIC-III和MIMIC-IV上展示了最先进的结果，同时提供参考患者解释。

arXiv:2608.04193v1 公告类型：新 摘要：语言模型（LMs）为电子健康记录（EHRs）提供了强大的文本表示，但它们孤立地编码患者序列，且可解释性有限。图神经网络（GNNs）通过纳入患者间关系并实现参考患者归因来补充LMs，但它们依赖高质量的患者表示。我们提出了Patients-like-me（PLM），一个统一的LM-GNN框架，将局部患者语义与全局队列结构相结合。为了高效训练PLM，我们引入了一种变分期望最大化算法，在监督变分目标下交替更新LM和GNN。在MIMIC-III和MIMIC-IV上的大量实验表明，PLM始终优于最先进的方法，且改进可推广到仅编码器和仅解码器LM主干。这些增益仅以适度的额外计算开销为代价。PLM还通过检索有影响力的相似患者提供参考患者解释，而边掩蔽实验证实排名最高的参考对模型预测的影响最大。
查看原文
查看缓存全文

缓存时间: 2026/08/06 07:45 

# Patients-like-me：面向可解释临床预测的变分LM–GNN框架  
来源：https://arxiv.org/html/2608.04193

Xinyu Wang1, Yixuan Li1*, Hanwei Wu2, Qincheng Lu1, Chi-Kuang Yeh3, Xiao-Wen Chang1, Ziyang Song4  
1McGill University, 2Université de Montréal, 3Georgia State University, 4Ohio University  
等贡献。邮箱：[email protected] 和 [email protected]。通讯作者：[email protected].

###### 摘要

语言模型（LM）能够为电子健康记录（EHR）提供强大的文本表示，但它们只能孤立地编码患者序列，且可解释性有限。图神经网络（GNN）通过引入患者间关系并提供参考患者归因来补充语言模型，但其依赖于高质量的患者表示。我们提出 Patients-like-me（PLM），一个统一的LM–GNN框架，将局部患者语义与全局队列结构相结合。为了高效训练PLM，我们引入了一种变分期望最大化算法，在有监督变分目标下交替更新LM和GNN。在MIMIC-III和MIMIC-IV上的大量实验表明，PLM始终优于最先进的方法，并且这些提升在仅编码器和仅解码器LM骨干网络上均能泛化。这些增益仅需适度的额外计算开销。PLM还能通过检索有影响力的相似患者提供参考患者解释，而边掩蔽实验证实排名最高的参考样本对模型预测的影响最大。

## 1 引言

电子健康记录（EHR）包含涵盖一次或多次就诊的异质性患者记录，包括结构化编码（如诊断、手术、

相似文章

大型语言模型作为统一多模态学习器用于临床预测

arXiv cs.AI

该论文提出将多模态患者数据（文本、实验室结果、生命体征）转换为单一自然语言序列，并对大型语言模型进行微调以用于临床预测，在三个任务中实现了与专用融合架构相当或更优的性能。

从结构化临床数据预测心血管风险的大语言模型

arXiv cs.CL

本文提出了一种混合框架，将结构化临床数据与LLM生成的叙述相结合，用于冠状动脉疾病预测，在变量提取方面实现了高保真度，并比较了机器学习模型与基于LLM的零样本和少样本分类。

基于LLM探针的主要ICD类别预测

arXiv cs.AI

本文提出了一种方法，利用冻结的医学大型语言模型（LLM）表示作为共享嵌入空间，从结构化和非结构化电子健康记录数据中预测主要ICD诊断类别，在MIMIC-IV上取得了优于基线方法的准确率，并展示了向MIMIC-III的迁移能力。