中山大学中山大学团队联合广东省中医院团队开发脓毒症多模态数据表示模型为疾病研究建立新范式
文章导读
你是否还在因为临床研究里“表格数据多、文本信息碎”而头大，担心模型永远学不到医生笔记里那些关键判断？大多数脓毒症研究还在用专门针对某一任务的表格模型，忽略了病历文本的丰富线索，结果是标注稀缺时模型泛化能力极差。中山大学联合两家医院提出的SepsisDRM不是简单堆叠算法，而是把表格和文本真正“合体”的多模态嵌入：在近2万例患者、国家超算上训练后，能在不做任务特定微调的情况下把病人分出四类临床表型，并在多种队列上拿到高AUC——但这只是表象。
— 内容由好学术AI分析文章内容生成，仅供参考。
（通讯员徐瑛）近日，中山大学计算机学院王昌栋教授团队、孙逸仙纪念医院余涛教授团队联合广东省中医院张忠德教授团队，在Nature旗下权威期刊npj Digital Medicine发表了题为“A multimodal embedding model for sepsis data representation”的研究论文。
脓毒症研究长期以来受限于有限的标注数据和依赖表格输入的特定任务模型，未能充分利用临床文本中的宝贵信息。为突破这一瓶颈，该联合团队创新性地提出了脓毒症数据表示模型（SepsisDRM）。该模型作为首个专为脓毒症设计的嵌入模型，能够同时处理表格数据和文本数据，从而捕捉到更为全面的患者特征。通过采用多模态深度学习架构，SepsisDRM模型有效整合了不同类型的数据，为脓毒症的精准分析和理解提供了全新的技术路径。
该研究建立了包含19,526名脓毒症患者的大型数据集，并在国家超级计算广州中心进行训练，验证了SepsisDRM在多种脓毒症相关任务中的强大泛化能力。无需特定任务调优，模型即可将患者有效分层为四种具有临床意义的表型，并在预测28天预后方面表现出卓越性能，其在回顾性、前瞻性和外部数据集上的AUC值分别达到0.92、0.94和0.78。作为首个专门为脓毒症开发的嵌入模型，SepsisDRM的成功应用不仅为脓毒症研究领域建立了一种新的范式，其整合表格与文本数据的方法也为其他需要处理多模态数据的医学研究提供了极具前景的参考方案。这一成果标志着该联合团队在推动人工智能技术与临床医学深度融合、实现数据驱动的疾病精准研究方面迈出了重要一步。
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
中大的这波操作有点东西，Nature 子刊发脓毒症模型，牛。