Asymmetric Supervised Contrastive Learning

新的对比学习方法改进了跨国电子健康记录数据迁移

研究人员开发了一种名为不对称监督对比学习（Asymmetric SupCon）的新预训练目标，以改进电子健康记录（EHR）表征在不同国家医疗系统之间的迁移能力。该方法侧重于对具有积极结果的患者进行聚类，而不明确对阴性患者进行分组，从而解决了临床数据的异质性问题。在大型台湾EHR数据集上预训练时间Transformer编码器，并将其迁移到MIMIC-IV和EHRSHOT等美国数据集上，证明了性能的显著提升，尤其是在疾病预测的少样本学习场景中。