标签
该论文提出了一种针对小型临床表格数据的混合注意力网络+逻辑回归（HAN+LR）集成模型，用于在鲜胚移植前预测IVF/ICSI活产，在616个周期的数据集上取得0.710的AUC-ROC，优于TabPFN和文本序列化语言模型基线，并提出对滋养层细胞差异化加权的胚胎形态编码方法。
该研究在用于临床预测的视觉-语言模型中识别出'ECG幻象'，即模型尽管具有明显的多模态能力，但未能充分利用ECG数据，并提出了视觉提示调优作为一种高效的缓解策略。
本文介绍了M2G-LLM，这是一个通过图神经网络使用多模态图推理来增强大语言模型的框架，旨在利用电子健康记录改进临床预测任务。
本文提出了一种强化学习微调框架，通过将电子健康记录基础模型视为基于患者轨迹的生成策略来增强其临床推理能力，结果显示强化学习微调提升了性能，并使较小模型在数据有限场景下能够超越较大模型。
DR-LabStack是一个基于React和Flask的Web系统，将四个预训练的糖尿病视网膜病变预测模型集成到一个通用的面向临床医生的界面中，展示了用于异构机器学习模型的可重用工作流程。
PhenoBench 是一项可执行基准测试，旨在利用深度表型化的人群队列评估AI模型在临床任务上的表现，其结果显示基础模型相较于标准方法仅展现出有限的聚合改进。
本文引入了一个框架，用于审计临床预测模型，通过区分学习者效率低下和测量限制，并在多个队列上进行验证，以指导是改进模型还是数据收集。
ATHENA是一个知识引导的代理神经架构搜索框架，通过跨医院重用架构知识来自动化Transformer基础的电子健康记录建模，以减少人工调优。
本文针对临床预测中治疗导致的标签不确定性问题，以心脏骤停后神经预后判断为案例研究。作者提出了一个纳入专家对反事实结果标注的框架，并强调了确定病例与不确定病例之间准确性的权衡。
本文介绍了MiGHT-EHR，一种针对异质时序EHR数据的多任务图变换器，联合建模临床实体、时间轨迹和任务依赖。在MIMIC-III和MIMIC-IV上，它在药物推荐、住院时长、死亡率和再入院预测方面均优于现有最先进方法。
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。
这篇arXiv论文评估了在来自三个医疗系统的ICU EHR数据上，对令牌化生成式事件模型（GEMs）进行联邦训练的效果，结果表明联邦学习能够保留集中式训练的大部分性能，并且与传统监督模型相比，提高了跨站点的可迁移性。
介绍了CT-HEG，一种用于ICU死亡预测的连续时间异质EHR图模式，通过消融研究表明双向连接和时间注意力边特征很重要；令人惊讶的是，在MIMIC-IV队列上，简化的同质图优于完整的异质模型。
本文介绍了xMICD，一种将ICD代码分组与预训练嵌入相似性相结合的方法，以创建低维、临床可解释的患者表示，其预测性能可与基于嵌入的方法相媲美。
一项对190项研究的范围综述，描述了使用电子健康记录（EHR）数据进行手术风险分层和结局预测的端到端机器学习流程，并识别了预处理、评估和可解释性方面的方法论空白。
提出一种用于零样本ICU谵妄预测的轻量化知识注入框架，该框架在推理时用外部临床知识增强结构化电子健康记录数据摘要，在无需微调的LLaMA模型上，AUROC提升高达8.57个百分点。
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。
本文研究了利用结构化健康记录的多层次视图，通过交互感知的Mixture-of-Experts进行中风后僵硬预测。尽管性能提升微乎其微，但路由归因揭示了不同视图间系统性的重要性差异，强调视图构建是实现可解释性的关键。
本文提出了一种用于临床预测的显式多模态路由框架，利用EHR数据，通过离散的单模态、双模态和三模态路径，以及推理时路径掩码来模拟缺失模态，实现对结构化变量、临床笔记和胸部X射线的可解释、鲁棒且可审计的推理。
本文系统比较了在电子健康记录数据中Transformer的离散、连续和混合值编码策略，发现基于分箱的混合令牌方法具有稳健的性能，并推荐作为实用的默认选择。