NOAH模型发布，支持全患者旅程多模态预测
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把整段病程当作建模对象
NOAH 的出发点是把患者一生中不断产生的记录视为一条连续轨迹，而不是若干次互不相干的就诊快照。论文指出，医疗数字化积累了大量纵向、多模态的病程数据，但如何用这些数据刻画并预测患者状态的变化，仍是难题。现有模型多半只做判别式任务，能处理的模态有限，类别词表是封闭的，或者把时间简单当作单调的归纳偏置，对未来状态的预测能力也受限。NOAH 则被设计成时间感知、任务无关的生成式 Transformer，目标是覆盖完整的多模态病程，既能形成患者状态表示，也能向前推演。
双向时间与随机潜空间
在结构上，NOAH 引入双向时间整合机制，并配合变分潜空间。前者让模型在处理事件序列时不把时间仅看成单向递增的刻度，后者用来承载患者状态连续演变过程中的随机性，使临床轨迹中那些不确定的走向也能被表达。作者把这两点视为应对真实多模态病程数据中不规则时间动态与内在随机性的关键。与只输出判别结果的方案相比，这种生成式框架使模型可以完成自回归式预测，并可选地施加时间控制，还支持零样本分类与反事实干预模拟。
训练数据与可处理的模态
NOAH 建立在 MIMIC 数据集家族之上，训练语料包含 299,000 名患者、431,000 次住院就诊所产生的超过 559 百万条临床事件。模型原生处理的对象覆盖医学图像、时间序列与数值信号、类别事件，以及结构化和非结构化的临床记录。作者称，就覆盖范围而言，这是该领域首个真正整体性的生成式模型。多模态输入与复杂时间动态在同一框架内被统一处理，使模型不必为每种数据类型单独设计流程。
表示质量如何被检验
论文用探针方式检验 NOAH 生成的患者状态表示是否携带可用信息，考察方向包括临床结局、15 个 ICD 章节与 29 种合并症，以及时间到事件预测。作者称这些表示信息量高、预测性强，在上述任务上表现良好。对读者而言，这意味着该模型的价值不止于单一预测任务：同一套表示可被接到不同的下游判断上，而模型本身被定位为通用、任务无关且可扩展的基础，用于表示与预测患者状态轨迹。
为什么值得看
首个能处理全患者旅程的生成式模型，支持多模态数据与反事实模拟。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。