多模式BEHRT:用于多模式电子健康记录的变压器,以预测乳腺癌预后
Ndèye Maguette Mbaye1,2,3, Michael M Danziger4, Michal Rosen-Zvi4,5
1Centre for Computational Biology (CBIO), Mines Paris, Paris Sciences & Lettres (PSL) Research University, Paris, France.
Frontiers in oncology
|November 3, 2025
概括
电子健康记录 (EHR) 可以通过深度学习改善乳腺癌护理. M-BEHRT是一种新的多式联运BERT模型,通过分析患者数据,有效预测无疾病生存率.
科学领域:
- 在瘤学瘤学.
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
背景情况:
- 电子健康记录 (EHR) 包含有价值的患者数据,可以改善乳腺癌治疗结果.
- 深度学习的进步提供了利用EHR数据以提高患者护理的新方法.
研究的目的:
- 开发和评估M-BEHRT,一种用于EHR数据的多模式BERT,以预测乳腺癌患者的结果.
- 评估M-BEHRT在模拟多式联络患者轨迹方面的表现.
主要方法:
- M-BEHRT将患者的病历模型作为医疗访问的序列,包含各种数据类型 (临床特征,实验室结果,自由文本报告).
- 面具语言模型预训练任务用于表示学习,然后进行分类的微调.
- 基于梯度的归属识别了影响预测的关键因素.
主要成果:
- 在约15,000名乳腺癌患者的队列中,M-BEHRT在预测3年无疾病生存率方面实现了0.77的AUC-ROC.
- M-BEHRT显著超过了诺丁汉预测指数 (0.67 AUC-ROC) 和随机森林.
- 该模型在预测受影响淋巴结的老年患者的结果方面表现特别有效.
结论:
- 欧洲乳腺癌数据对促进乳腺癌研究和患者护理具有重大潜力.
- 像M-BEHRT这样的基于变压器的架构可以有效地从EHR数据中学习,即使记录数量有限.
- M-BEHRT对患者轨迹的顺序表示为复杂疾病开辟了新的研究途径.
