PatTree：一种用于医学分类任务的自动化构建多模态、基于图的患者表示的新方法

arXiv cs.LG 论文
medical-ai graph-based multimodal patient-representation classification knowledge-graph

摘要

本文介绍了PatTree，一种基于图的多模态患者表示方法，能够自动对异构临床数据进行结构化处理，以用于医学分类任务。在ADNI-1队列上，它达到了最先进的性能，阿尔茨海默病分类的平衡准确率为98.5%。

arXiv:2608.02692v1 公告类型：新论文 摘要：与使用单一模态或数据源相比，获取整体的多模态数据能够提升人工智能（AI）在医学分类任务中的性能。然而，临床真实世界数据固有的异构性和复杂性给结构化数据分析和AI应用带来了重大挑战。这种异构性包括缺失值、多个时间点、多样化的模态以及不一致的格式和语义。在数据集成之前进行数据协调可以应对这一挑战，但仍然资源密集且容易出错，限制了基于临床真实世界数据的整体性、AI驱动的决策支持的可扩展性和可重复性。因此，我们提出了PatTree，一种基于图的整体患者表示方法，可以通过对多模态临床数据进行自动化结构化，从真实世界临床数据中导出。PatTree无需依赖预先标准化的输入即可实现早期数据集成。在将异构临床数据表示在统一知识图谱中的同时，PatTree保留了跨模态和数据源的数据元素之间的语义关系，促进了互操作性和机器可解释的数据访问。使用ADNI-1队列的一个子集（n=763），我们证明在PatTree上直接对患者进行分类是可行的，并且达到了最先进的分类性能。在区分阿尔茨海默病、轻度认知障碍和认知正常个体的三分类任务中，我们在保留测试集上达到了98.5%的平衡准确率和0.987的F₁分数。我们的结果表明，无假设的自动化多模态医学数据结构化可以作为临床AI管道的可扩展基础，绕过了繁琐的数据准备和标准化工作。
查看原文
查看缓存全文

缓存时间: 2026/08/05 07:41 

# PatTree：一种用于医学分类任务的自动化创建多模态、基于图谱的患者表示的新方法
来源：https://arxiv.org/abs/2608.02692
查看 PDF (https://arxiv.org/pdf/2608.02692)

> 摘要：与使用单一模态或数据源相比，获取整体的多模态数据能够提高人工智能（AI）在医学分类任务中的性能。然而，临床真实世界数据固有的异质性和复杂性对结构化数据分析和AI应用构成了重大挑战。这种异质性包括缺失值、多个时间点、多样的模态以及不一致的格式和语义。在数据整合之前进行数据协调应对了这一挑战，但该方法资源密集且容易出错，限制了基于临床真实世界数据的整体化、AI驱动决策支持的可扩展性和可复现性。因此，我们提出了PatTree——一种基于图谱的整体化患者表示方法，可通过自动化结构化多模态临床数据，从真实世界临床数据中推导得出。PatTree无需依赖预先标准化的输入即可实现早期数据整合。在将异质临床数据表示为统一知识图谱的同时，PatTree保留了跨模态和数据源的数据元素之间的语义关系，促进了互操作性和机器可解释的数据访问。通过使用ADNI-1队列的一个子集（n = 763），我们证明了直接在PatTree上进行患者分类是可行的，并达到了最先进的分类性能。在区分阿尔茨海默病、轻度认知障碍和认知正常个体的三分类任务中，我们在留出测试集上实现了98.5%的平衡准确率和0.987的F$_1$分数。我们的结果表明，无假设的自动化多模态医学数据结构化可以作为临床AI管道的可扩展基础，绕过繁琐的数据准备和标准化过程。

## 提交历史

来自：Julia Gehrmann [查看电子邮件](https://arxiv.org/show-email/2962cede/2608.02692) **\[v1\]** 2026年8月3日星期一 09:44:35 UTC（1,347 KB）

相似文章

CaresAI在SMM4H-HeaRD 2026：预测TNM分期

arXiv cs.CL

本文介绍了CaresAI在SMM4H-HeaRD 2026共享任务上的方法，该任务利用多种嵌入和分类器从病理报告中预测TNM分期，取得了强劲结果，但也指出了泛化问题。

PATHFinder Agent：用于定制化产前护理的智能系统

arXiv cs.AI

本文介绍了PATHFinder Agent，一个端到端的对话式AI系统，该系统根据ACOG的PATH指南生成个性化产前护理计划，整合了患者信息采集、动态对话、计划合成及临床医生监督。对包括GPT-5.2在内的前沿大语言模型的评估显示出有希望但不完全的性能，凸显了产前检测建议方面的不足。