论文页面 - NOAH：学习完整患者旅程。用于表征与预测的纵向多模态时序感知模型

来源：https://huggingface.co/papers/2609.09140

摘要

NOAH 是一种生成式Transformer模型，它能模拟完整的多模态患者旅程，融合连续时间动态与随机潜状态，从而实现跨多样临床数据的预测、零样本分类和反事实模拟。

医疗数字化在患者一生中生成了海量、纵向、多模态的患者记录，但如何充分利用这些数据来表征和预测患者状态轨迹，仍然是一个关键挑战。当前的AI模型往往难以捕捉现实世界多模态患者数据复杂的、不规则的时间动态和内在随机性。现有的纵向患者记录建模AI方法，大多属于判别式模型，局限于少数几种数据模态，受限于封闭的分类词汇表，将时间视为单调的归纳先验，或在预测未来患者状态方面能力有限。我们提出了 NOAH，一个时间感知、任务无关的生成式Transformer（https://huggingface.co/papers?q=generative%20transformer）模型，用于表征和预测完整的多模态患者旅程。NOAH 具备新颖的双向时间整合（https://huggingface.co/papers?q=bidirectional%20time%20integration）和变分潜空间（https://huggingface.co/papers?q=variational%20latent%20space），能够捕捉患者状态的连续演变和临床轨迹的随机性。该模型基于 MIMIC 数据集家族中 299,000 名患者、431,000 次就诊产生的超过 5.59 亿临床事件构建，能够原生处理医学图像、时间序列与数值信号、分类事件，以及结构化和非结构化的临床记录。NOAH 是该领域首个真正全面的生成式模型，能够实现自回归预测（https://huggingface.co/papers?q=autoregressive%20forecasting）并支持可选的时间控制（https://huggingface.co/papers?q=time%20control）、零样本分类（https://huggingface.co/papers?q=zero-shot%20classification）以及反事实干预模拟（https://huggingface.co/papers?q=counterfactual%20intervention）。它能生成信息丰富且具有预测性的患者状态表征，在探测临床结果、15 个 ICD 章节及 29 种合并症方面，以及在事件时间预测（https://huggingface.co/papers?q=time-to-event%20prediction）任务上展现出强劲性能。通过无缝处理多样模态和复杂的时间动态，NOAH 为个性化临床护理和数字医学中的智能预测系统提供了一个多功能、任务无关、可扩展的基础架构。

查看 arXiv 页面 (https://arxiv.org/abs/2609.09140) 查看 PDF (https://arxiv.org/pdf/2609.09140) 项目页面 (https://tsusetzky.github.io/noah/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.09140)

通过您的代理获取本文：

hf papers read 2609\.09140

没有最新 CLI？运行 curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型数量：0

暂无模型链接本文。

在模型的 README.md 中引用 arxiv.org/abs/2609.09140 即可从本页面链接该模型。

引用本文的数据集数量：0

暂无数据集链接本文。

在数据集的 README.md 中引用 arxiv.org/abs/2609.09140 即可从本页面链接该数据集。

引用本文的空间数量：0

暂无空间链接本文。

在空间的 README.md 中引用 arxiv.org/abs/2609.09140 即可从本页面链接该空间。

包含本文的集合数量：0

暂无集合包含本文。

将本文添加到集合 (https://huggingface.co/new-collection) 即可从本页面链接该集合。