arXiv cs.AI· Xinyu Wang, Yixuan Li, Hanwei Wu, Qincheng Lu, Chi-Kuang Yeh, Xiao-Wen Chang, Ziyang Song·· 3 天前AI 评分22
Patients-like-me：可解释临床预测的变分 LM-GNN 框架
Patients-like-me: A Variational LM--GNN Framework for Explainable Clinical Prediction
AI 导读
研究者提出 Patients-like-me（PLM），一个统一 LM-GNN 框架，将局部患者语义与全局队列结构结合，并用变分期望最大化算法交替更新 LM 与 GNN。
正文 · AI 翻译
摘要：语言模型（LM）为电子健康记录（EHR）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（GNN）通过纳入患者间关系并支持参考患者归因，对 LM 形成补充，但它们依赖高质量的患者表示。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 持续优于最先进的方法，且改进在仅编码器和仅解码器 LM 主干上均能泛化。这些收益仅带来适度的额外计算开销。PLM 还通过检索有影响力的相似患者来提供参考患者解释，而边掩码实验证实，排名最高的参考对模型预测的影响最大。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.04193 [cs.CL] |
| （或 arXiv:2608.04193v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.04193 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ziyang Song [查看电子邮件]
[v1]
2026年8月4日星期二 19:51:52 UTC（10,087 KB）
[v2]
2026年10月12日星期一 00:07:32 UTC（9,504 KB）
来源：arXiv cs.AI · arxiv.org