arXiv cs.AI· Leo Y. Li-Han, Chris Varghese, Elizabeth B. Habermann, Mark J. Truty, William R. G. Perry, Cornelius A. Thiels, Hojjat Salehinejad·· 2 天前AI 评分24
GraphBEAT：基于图的时间分桶事件聚合用于胃肠道癌症早期风险分层
GraphBEAT: Graph-based Bucketized Event Aggregation Over Time for Early Risk Stratification of Gastrointestinal Cancers
AI 导读
GraphBEAT 是一个时序图表示学习框架，将临床事件按时间分桶并转化为患者特异性时序有向图，用于胃肠道癌症早期风险分层。在多站点纵向诊断编码与实验室检测数据上预测胰腺癌、肝癌和肠癌的 12、24、36 个月提前诊断，GraphBEAT 全面优于 GraphSAGE、GAT、GCN 及 Transformer、LSTM 基线。
正文 · AI 翻译
摘要：纵向电子健康记录（EHR）包含关于患者健康的互补性诊断和实验室信息。然而，记录中的不规则性、稀疏性、异质性和不完整性使 EHR 建模变得复杂。为解决这一问题，我们提出了 GraphBEAT（基于图的桶化事件时间聚合），这是一个时序图表示学习框架，它将临床事件分组到时间桶中，并将观测到的特征转换为患者特定的、时间有向图，以实现胃肠道癌症的早期风险分层。EHR 图中的每个节点编码临床事件的特征标识、观测值和时间位置。一种上下文感知、时间衰减的消息传递机制对连续时间桶之间的转换进行建模，随后通过多头注意力池化生成患者级表示。GraphBEAT 在多站点纵向诊断代码和实验室检测上进行了训练和评估，以在 12、24 和 36 个月的诊断提前期内预测胰腺癌、肝癌和肠癌。在所有实验设置中，GraphBEAT 始终优于基线图神经网络（GraphSAGE、GAT 和 GCN）和序列建模方法（Transformer 和长短期记忆 [LSTM]）。与 Transformer 和 LSTM 基线相比，GraphBEAT 每位患者的浮点运算次数还减少了 250 倍以上，参数量减少了 20 倍以上。这些结果支持 GraphBEAT 作为一种准确且计算高效的方法，用于从稀疏、异质的纵向健康记录中进行癌症风险分层。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.22014 [cs.LG] |
| （或 arXiv:2610.22014v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22014 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Leo Li-Han [查看电子邮件]
[v1]
2026年10月15日星期四 14:55:39 UTC（6,590 KB）
来源：arXiv cs.AI · arxiv.org