arXiv cs.CL· Zihan Liang, Ziwen Pan, Ruoxuan Xiong·· 10 小时前AI 评分24
面向非随机模态缺失的多模态临床记录因果表征学习
Causal Representation Learning from Multimodal Clinical Records under Non-Random Modality Missingness
AI 导读
研究者提出一种因果表征学习框架，利用多模态临床记录中的观测数据与信息性缺失模式，在 MIMIC-IV 和 eICU 上相对最强基线将再入院 AUC 最高提升 4.3%、ICU 入住 AUC 提升 2.7%。该框架包含 MMNAR 感知的模态融合、带潜在对齐的模态重建，以及带校正器的多任务结局预测模型。在 MIMIC-IV 队列中，35.15% 的患者没有合格的出院小结。
正文 · AI 翻译
摘要：临床记录包含丰富的患者信息，如诊断或用药，使其对患者表征学习具有重要价值。大语言模型的最新进展进一步提升了从临床文本中提取有意义表征的能力。然而，临床记录常常缺失。例如，在我们的 MIMIC-IV 队列中，35.15% 的患者没有符合条件的出院小结。在这种情况下，可以从其他模态学习表征，如结构化数据、胸部 X 光片或放射学报告。然而，这些模态的可用性受临床决策影响，且因患者而异，可能产生模态非随机缺失（MMNAR）模式。我们提出了一种因果表征学习框架，利用多模态临床记录中的观测数据和信息性缺失。该框架包括：(1) 一个 MMNAR 感知的模态融合组件，在整合结构化数据、影像和文本的同时以缺失模式为条件，以捕捉患者健康状况和临床医生驱动的分配；(2) 一个带有潜在对齐的模态重建组件，以在学习到的表征中保留模态信息；(3) 一个多任务结局预测模型，带有校正器，用于校正特定模态观测模式带来的残余偏差。在 MIMIC-IV 和 eICU 上的综合评估显示，该框架相较最强基线取得了一致提升，医院再入院的相对 AUC 提升最高达 4.3%，ICU 入院的相对 AUC 提升最高达 2.7%。
| 评论： | 将发表于 EMNLP 2025 论文集（21 页） |
| 主题： | 机器学习（cs.LG）；计算与语言（cs.CL）；方法论（stat.ME） |
| 引用为： | arXiv:2509.17228 [cs.LG] |
| （或本版本的 arXiv:2509.17228v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2509.17228 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zihan Liang [查看邮箱]
[v1]
2025 年 9 月 21 日周日 20:34:52 UTC（229 KB）
[v2]
2026 年 11 月 6 日周五 00:23:13 UTC（330 KB）
来源：arXiv cs.CL · arxiv.org