基于双教师知识融合的脓毒症早期预测

《BMC Medical Informatics and Decision Making》:DTKF: a sepsis early prediction framework based on large language model semantic augmentation and dual-teacher knowledge distillation

【字体: 大 中 小 】 时间:2026年10月14日 来源:BMC Medical Informatics and Decision Making 5.5

编辑推荐:

   摘要 背景 脓毒症是由感染引发的宿主反应失调所导致的危及生命的器官功能障碍。早期且准确的预测对于降低死亡率至关重要。然而,临床环境常面临数据稀缺、类别不平衡以及非结构化临床笔记利用不足等挑战。现有的评分系统和传统机器学习模型主要依赖结构化的生命体征数据,无法捕捉文本数据中蕴

  摘要背景脓毒症是由感染引发的宿主反应失调所导致的危及生命的器官功能障碍。早期且准确的预测对于降低死亡率至关重要。然而,临床环境常面临数据稀缺、类别不平衡以及非结构化临床笔记利用不足等挑战。现有的评分系统和传统机器学习模型主要依赖结构化的生命体征数据,无法捕捉文本数据中蕴含的丰富语义风险因素。尽管大语言模型(LLMs)在文本理解方面表现优异,但其高昂的计算成本和潜在的幻觉问题阻碍了其在资源受限的急诊场景中的直接部署。方法为解决上述局限性,本研究提出了一种新颖的双教师知识融合(DTKF)框架。首先,我们引入了语义特征增强模块,利用DeepSeek从临床笔记中提取语义风险概率,并将其与结构化的生命体征数据显式融合,以构建学生模型的高阶混合特征。其次,为防止小样本条件下的过拟合,我们设计了一种双源知识蒸馏策略。该策略整合了基于规则的知识与数据驱动的语义知识来构建混合教师信号,通过软标签监督来约束轻量级逻辑回归学生模型。结果在MIMIC-IV数据集上的实验表明,DTKF达到了0.796的AUC值。这一结果不仅高于传统单模态基线的AUC,与直接使用大语言模型进行预测相比,性能提升了6.6%。结论本研究有效整合了基于规则的知识与数据驱动的知识,利用文本信息增强了特征表示,并通过蒸馏技术提升了模型的性能和鲁棒性,为脓毒症早期预警提供了一种具有临床价值的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号