非随机模态缺失下多模态临床记录的因果表征学习

基于摘要分析。研究面向多模态临床记录中的非随机模态缺失（MMNAR）：哪些检查或文书可被观测，既与患者健康状态有关，也受到临床决策影响。作者提出因果表征学习框架，将已观测数据与缺失模式所携带的信息共同用于患者表征和结局预测，并非针对 EEG 或 BCI 的算法验证。 框架包含三个部分：一是以缺失模式为条件的模态融合，整合结构化数据、影像和文本，以捕捉患者健康状态及临床人员驱动的模态分配；二是结合对比学习的模态重建，以促进表征的语义充分性；三是带有校正器的多任务结局预测，旨在校正特定模态观测模式带来的残余偏差。摘要未给出因果图、识别假设、具体损失形式或校正器实现，因此尚不能判断其因果解释成立的条件。 作者报告，在其 MIMIC-IV 分析中，24.5% 的患者没有可用的出院小结。作者还报告，在 MIMIC-IV 与 eICU 的评估中，相较其所称最强基线，医院再入院预测和 ICU 入院预测的 AUC 改善最高分别为 13.8% 和 13.1%。摘要未明确这些改善是相对百分比还是 AUC 绝对差值，也未交代各数值对应的数据集、划分、基线及置信区间，不能据此作跨协议比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与临床文本、影像联合建模时，模态可用性同样受检查决策影响，缺失模式条件化融合可能具有借鉴价值。可复用的是缺失模式编码与融合思路，需改造信号编码及重建目标；小样本、低信噪比和跨被试决策差异可能使模型学习到不稳定的采集习惯。一个可检验的小实验是在固定被试划分下，对比随机缺失与结局相关缺失情形中，加入或移除缺失模式输入的性能和校准变化。原领域有效不等于 BCI 有效，已有 EEG 相关工作尚未检索确认。