漂移自适应ICU干预预测：冻结生理编码器以实现可审计的模型更新
文章背景与核心概要
临床决策支持系统常因医疗方案随时间演变而面临性能衰退的问题。然而，全面重新训练模型会带来严重的“可审计性”挑战：当模型参数被完全重置时，研究人员和临床医生将无法追踪具体是哪些参数发生了变化，这在医疗合规性要求极高的场景下是不可接受的。
本文提出了一种双流架构，将生理特征表示（由LSTM处理）与治疗干预表示（由MLP处理）解耦。通过冻结生理编码器并仅更新治疗流和融合头，作者确保了模型更新过程的透明度与稳定性。这种方法在保持高性能的同时，为模型的演变提供了结构性保障，有效地平衡了系统的自适应能力与治理要求。
核心贡献
- 架构分离： 将生理数据处理与特定治疗逻辑解耦，从而实现针对性的模型更新。
- 可审计更新： 通过保持生理编码器与源模型在位级（bitwise）上完全一致，系统确保了更新过程的透明性，并将变动限制在特定的架构模块内。
- 基于证据的检索： 将实例级的PubMed查询与冻结的编码器相结合，为临床决策提供背景支持。
- 性能稳定性： 在84,792例MIMIC-IV ICU住院记录上的实证评估表明，这种受限更新方法在性能上与全面重训练具有竞争力（平均AUROC为0.9316 vs 0.9249），且在不同适应性种子（adaptation seeds）下表现出显著更高的稳定性。
- Architectural Separation: Decouples physiological data processing from treatment-specific logic, allowing for targeted updates.
- Auditable Updates: By keeping the physiological encoder bitwise identical to the source model, the system ensures that updates are transparent and restricted to specific architectural blocks.
- Evidence-Based Retrieval: Integrates per-instance PubMed queries coupled with the frozen encoder to provide clinical context.
- Performance Stability: Empirical evaluation on 84,792 MIMIC-IV ICU stays demonstrates that this constrained approach performs competitively with full retraining (mean AUROC 0.9316 vs. 0.9249) while being significantly more stable across adaptation seeds.
元数据与访问
| 字段 | 详情 |
|---|---|
| 主要学科 | 机器学习 (cs.LG) |
| 其他学科 | 人工智能 (cs.AI), 信息检索 (cs.IR), 定量生物学 (q-bio.QM) |
| DOI | https://doi.org/10.48550/arXiv.2607.19020 |
| 许可协议 |  view license |
Field Details Primary Subject Machine Learning (cs.LG) Additional Subjects Artificial Intelligence (cs.AI), Information Retrieval (cs.IR), Quantitative Methods (q-bio.QM) DOI https://doi.org/10.48550/arXiv.2607.19020 License
全文链接
Full-Text Links
提交历史
- v1: 2026年7月21日
- v2: 2026年8月20日
- v3: 2026年8月26日（当前版本）
Submission History
- v1: 21 Jul 2026
- v2: 20 Aug 2026
- v3: 26 Aug 2026 (Current)