校准优先新框架CALIBRA：跨队列哮喘风险预测AUROC达0.717，Brier仅0.098
Calibration-First Cross-Cohort Multimodal Temporal Learning for Transferable Asthma-Risk Forecasting
📖 AI 总结
本文提出CALIBRA，一个以校准为核心的多模态时序框架，用于跨队列可迁移的哮喘短期风险预测。针对现有模型在患者群体、传感器生态和模态变化时迁移后概率校准不佳的问题，该框架为环境、肺功能、症状、用药、可穿戴设备及情境等多路数据分别设计循环编码器，通过可靠性条件门控抑制陈旧或缺失模态，并利用梯度反转训练减少可避免的队列特征。模型采用收缩式分层逻辑层在患者不重叠的目标子集上校准概率，并以分裂保形预测提供可弃权的预测集。在具有受控分布偏移、信息性缺失和封存目标患者的三队列半合成基准上，五个随机种子下平均目标测试AUPRC为0.224，AUROC为0.717，Brier分数为0.098，AUPRC略低于最强非消融基线TemporalTransformer的0.240。研究还评估了模态缺失、校准、保形覆盖、决策曲线、亚组表现及运行开销。结果表明该方法在受控偏移下可复现且有效，但尚不构成临床有效性证据，仍需在协调后的真实哮喘队列上开展外部验证。
🔑 关键词速览
| CALIBRA | 本文提出的校准优先多模态时序框架，用于跨队列哮喘风险预测。 |
| 校准（Calibration） | 模型预测概率与真实事件发生频率一致的程度，校准优先指优先保证概率可靠性。 |
| 保形预测（Conformal Prediction） | 一种提供具有统计覆盖保证的预测集的方法，支持弃权预测。 |
| 梯度反转（Gradient Reversal） | 一种域适应技术，通过反转梯度来学习队列不变的特征表示。 |
| AUPRC | 精确率-召回率曲线下面积，适用于类别不平衡数据的模型性能评估指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅