多样性中的团结:跨多模式医疗来源的协作预培训

科学领域:

• 生物医学信息学 生物医学信息学
• 人工智能在医学中的应用
• 数据科学数据科学数据科学

背景情况:

• 预训练的模型对于生物医学任务至关重要,但受到狭窄的数据源的限制.
• 数据稀缺性和有限的适用性阻碍了当前模型的有效性.
• 跨越多样化的医疗数据源对于在医疗保健中推进AI至关重要.

研究的目的:

• 引入医疗交叉来源预培训 (MEDCSP),这是一个新的战略,旨在统一和利用来自不同来源的多式联络医疗数据.
• 为了解决数据稀缺和下游任务适用性有限的局限性,在当前预训练的生物医学模型中.
• 建立医学领域跨源建模的基础.

主要方法:

• 开发了MEDCSP,这是一个预培训策略,采用模式级聚合来统一患者数据.
• 利用时间信息和诊断历史记录来捕捉跨源患者相关性 (明确和隐含).
• 从2个现实世界医疗数据集中使用6种模式进行实验.

主要成果:

• 在跨源建模方法中,MEDCSP表现出有效性.
• 根据19个基线模型,对4个下游任务进行了MEDCSP评估.
• 该战略成功地整合并利用了来自多个来源和模式的数据.

结论:

• MEDCSP代表了生物医学AI预培训的重大进步,解决了数据限制.
• 拟议的方法有效地弥合了多式联运医疗数据的差距,提高了模型的通用性.
• 这项工作是迈向强大的跨源医疗数据建模的基本步骤.