基于时空图神经网络的框架,用于ARDS预测和可解释性
Shashank Yadav1, Molly Douglas2, Jarrod Mosier2
1College of Engineering, The University of Arizona, Tucson, 85721, AZ, USA.
Journal of biomedical informatics
|December 12, 2025
概括
图形-spa是一种新的动态空间时间图形神经网络 (STGNN),通过建模不断演变的临床变量相互作用,增强了急性呼吸困扰综合征 (ARDS) 的早期预测. 它的性能优于现有模型,并识别了关键的早期指标,如水平和格拉斯哥昏迷表得分.
科学领域:
- 计算生物学和医学 计算生物学和医学
- 医疗保健中的人工智能
- 时间序列分析和深度学习
背景情况:
- 传统的深度学习模型在多变量时间序列数据中与长距离的时间依赖性作斗争,阻碍了急性呼吸系统应急综合征 (ARDS) 等关键条件的早期预测.
- 现有的方法缺乏动态建模临床变量之间不断变化的相互作用的能力,这些变量对于及时和准确的事件预测至关重要.
研究的目的:
- 引入Graph-spa,一个动态的时空图神经网络 (STGNN) 框架,旨在改善ARDS发病的早期预测.
- 通过识别ARDS之前的关键临床特征及其时间相互作用来增强模型的解释性.
- 为在重症监护病房 (ICU) 进行动态临床事件预测提供灵活和可扩展的框架.
主要方法:
- 开发了Graph-spa,将时间卷积与动态STGNN集成,更新相邻结构以捕捉复杂的时间依赖.
- 与传统的深度学习模型 (GRU,LSTM,TCN,Transformer) 和三个大型临床数据集 (HiRID,MIMIC-IV,eICU) 的基线STGNN相比,基准图形spa.
- 采用基于面具的可解释性方法来进行特征时间归因和并发分析,以确定在ARDS之前持续的特征激活.
主要成果:
- 在内部和外部验证中,Graph-spa在ARDS预测中始终优于所有基线模型,达到更高的AUC F1-MCC分数.
- 在Graph-spa中的动态相邻机制有效地捕捉了不断变化的特征交互,导致了比基线更多样化的连接模式.
- 解释性分析强调持续的异常和格拉斯哥昏迷表得分的下降是ARDS的关键早期指标.
结论:
- Graph-spa代表了动态临床事件预测的重大进步,为器官衰竭的早期检测提供了一个端到端的方法.
- 该框架的无模型核心模块 (动态图构造,归因,并发挖掘) 允许广泛适用于各种ICU动态分类和回归任务.
- 该研究为早期ARDS检测提供了有价值的工具,并证明了发现预测关键事件的亚临床特征的潜力.
