时间感知对比变换器：自监督学习患者轨迹

近日，研究人员提出了一种名为时间感知对比变换器（TACT）的深度学习模型，旨在从非结构化电子健康记录中学习高质量的纵向患者表征。该模型结合了显式时间建模和自监督对比学习框架，无需依赖外部标签即可捕捉疾病随时间演变的动态特征。

TACT通过采样数据增强工作流生成正负样本对，并利用对比损失引导模型区分不同患者的疾病轨迹。实验表明，TACT在癌症患者预后预测等下游任务中表现优于现有方法，尤其适用于异质性疾病的个性化分析。

需要注意的是，该研究目前以预印本形式发布，尚未经过同行评审。若经验证，TACT有望提升电子健康记录数据的利用效率，推动精准医疗发展。