新生儿死亡预测新突破！NeoTriFuse把数据缺失变优势，AUROC高达0.9454，F1达0.6736，可靠性门控让预测更准！
NeoTriFuse: Reliability-Aware Multimodal Fusion under Missingness Heterogeneity for Neonatal Mortality Risk Prediction
📖 AI 总结
该研究提出NeoTriFuse框架，用于新生儿死亡风险预测，针对临床监测数据中类别极度不平衡、危险因素异质、多尺度时间动态及大量数据缺失等挑战。与传统将缺失视为预处理问题的多模态方法不同，NeoTriFuse将缺失模式作为显式的可靠性信号，在融合过程中动态调节各模态的贡献权重。框架整合静态围产期变量、局部-全局时间编码器及患者级统计摘要，通过可靠性引导的门控机制实现融合，并联合优化死亡预测与辅助住院时长目标。实验结果显示，模型F1分数达0.6736±0.0216，AUROC为0.9454±0.0056。消融研究表明，局部-全局时间架构和患者级摘要分支贡献最大，可靠性感知门控在观测完整度不均时进一步改善阈值依赖指标。该研究为临床缺失条件下的多模态融合提供了实用方案。
🔑 关键词速览
| NeoTriFuse | 提出的可靠性感知多模态融合框架，用于新生儿死亡风险预测。 |
| reliability-aware multimodal fusion | 一种将数据缺失视为可靠性信号并动态调整模态贡献的融合方法。 |
| missingness heterogeneity | 指不同模态或样本间缺失模式不一致的情况。 |
| local-global temporal encoder | 同时捕捉局部和全局时间动态的编码器，用于处理多尺度时间序列。 |
| AUROC | 受试者工作特征曲线下面积，衡量模型区分正负类的能力。 |
📱 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