因果表征框架提升临床记录预测
热点事件持续更新
因果表征框架提升临床记录预测
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Zihan Liang 等作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，处理模态非随机缺失问题。作者称，在 MIMIC-IV 和 eICU 数据集上，该框架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。
AI 根据报道生成 · 1 小时前更新
最新进展11月9日 13:00
面向非随机模态缺失的多模态临床记录因果表征学习报道时间线
沿着报道，了解事件的不同侧面。
11月9日
- arXiv cs.CL面向非随机模态缺失的多模态临床记录因果表征学习
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。