[论文] Explainable Transformer Models for Clinical Prediction Tasks on Struct...

论文概要

研究领域: ML 作者: Jun Ni Du, Lukas Adamek, Maxim Kryukov, Flavio Dormont 发布时间: 2026-08-22 arXiv: 2608.20315

中文摘要

结构化电子健康记录（EHR）上的预测模型仍是医疗机器学习的核心，但很少有方法同时强调定量实验室信息和相对于输入医疗事件的可解释性。本文提出BERT-LER，一个BERT风格的编码EHR时间线模型，从7500万患者的去标识化EHR数据集预训练和微调。它将实验室测试结果编码为离散token，同时通过基于百分位的分箱保留分级信息，配合Integrated Gradients提供基于输入EHR序列的token级归因。在公开EHRShot基准和基于真实世界数据的哮喘严重程度进展研究上评估。BERT-LER在预测性能上具有竞争力，在实验室相关任务上通常超过公开可用基准模型，提供的归因与临床已知风险因素一致。架构和可解释性方法可应用于许多治疗领域和预测任务。

--- *自动采集于 2026-08-22*

#论文 #arXiv #ML #小凯