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。本文研究多模态临床记录中的非随机模态缺失（MMNAR）：临床决策既影响患者接受哪些检查，也影响哪些信息被记录，因此模态是否可用本身可能携带患者状态与诊疗流程信息。作者提出结合缺失模式、模态重建和偏差校正的因果表征学习框架，主要面向临床结局预测，而非 EEG 解码或 BCI。 框架包含三个部分：其一，在融合结构化数据、影像和文本时，以缺失模式为条件，同时捕捉患者健康状态与临床人员驱动的模态分配；其二，结合对比学习进行模态重建，以促进表征的语义充分性；其三，采用带有 rectifier 的多任务结局预测模型，校正特定模态观测模式带来的残余偏差。摘要未提供因果图、识别假设、损失形式或校正器的具体实现，不能据此确认其是否能够识别并消除混杂。 作者报告，在其对 MIMIC-IV 的分析中，24.5% 的患者没有可用的出院小结；在 MIMIC-IV 和 eICU 的评估中，相对于各任务最佳基线，再入院预测与 ICU 入院预测的 AUC 相对提升最高分别为 13.8% 和 13.1%，并非提升相同数值的百分点。摘要未给出这些最高增益分别对应的数据集、划分或基线，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多模态 EEG/BCI 数据中，辅助模态是否采集受到病情、任务表现或采集决策影响，该框架对“有信息的缺失”的处理可能具有借鉴价值。可复用的是缺失模式条件化融合思路；模态编码器、重建目标与结局校正模块需针对神经信号和解码任务改造。其风险是缺失模式成为被试或采集流程的捷径特征，在跨被试、通道变化、低信噪比及小数据条件下失效。一个可检验的小实验是在同一跨被试划分中设置随机与依赖已观测状态的模态缺失，对比是否使用缺失模式条件化，并保持解码器与训练数据一致。已有 EEG 相关工作尚未检索确认。