Nuova ricerca sull'IA utilizza la modellazione sequenziale autoregressiva per i dati sanitari mancanti

Un nuovo articolo di ricerca affronta la sfida dei dati mancanti nei modelli di apprendimento automatico multimodale per l'assistenza sanitaria riformulando la diagnosi clinica come un compito di modellazione sequenziale autoregressiva. Il lavoro utilizza decodificatori causali provenienti da grandi modelli linguistici per modellare le traiettorie dei pazienti attraverso molteplici tipi di dati. I ricercatori hanno introdotto un obiettivo di pre-addestramento contrastivo consapevole della mancanza che integra varie modalità con dati incompleti in uno spazio latente condiviso. Le architetture basate su Transformer che impiegano la modellazione sequenziale autoregressiva hanno dimostrato prestazioni superiori rispetto ai metodi di riferimento sui benchmark di fine-tuning MIMIC-IV ed eICU. L'approccio affronta specificamente la natura intrinsecamente temporale e sparsa dei dataset clinici, dove diverse modalità diagnostiche contengono frequentemente lacune. Sfruttando tecniche provenienti da grandi modelli linguistici, la metodologia mira a catturare segnali predittivi sottostanti mantenendo al contempo la spiegabilità del modello. La ricerca è stata annunciata su arXiv con l'identificatore 2604.18753v1 con un tipo di annuncio incrociato.