要約
不規則な観測間隔や欠損値を持つ医療時系列データを精度良く分類する手法「DBGL」が提案された。 患者と変数を二部グラフで表現し、時間減衰エンコーディングで欠損パターンと変数間依存を同時学習。 人工的なデータ整列が不要なため、実臨床データへの適用が容易になる可能性がある。
医療時系列分類に新手法、欠損データを直接処理
DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification
原文を読む →
https://arxiv.org/abs/2604.11842
DBGL（Decay-aware Bipartite Graph Learning）は、ICU等の臨床現場で生じる不規則な医療時系列データの分類精度向上を目的とした手法である。既存手法（GRU-D、SeFTなど）は欠損値を補完・補間して時系列を人工的に整列させるため、観測の不規則パターン自体が持つ情報を失う問題があった。DBGLは2つの主要な工夫でこれを解決する。第一に、患者ノードと変数（血圧・体温等）ノードからなる二部グラフ（二種類のノード間にのみ辺を持つグラフ）を構築し、非同期な観測を整列なしに直接グラフ構造へ埋め込む。これにより変数間の非同期な関係性もグラフ伝播で適応的に捉えられる。第二に、各変数ノードに固有の時間減衰エンコーディングを設計し、観測間の時間ギャップが長いほど情報が薄れる「変数減衰不規則性」を明示的にモデル化する。PHYSIONETやMIMIC-IIIなどの標準ベンチマークでの実験では既存手法を上回る性能を報告しており、特に欠損率が高いシナリオで優位性が顕著とされる。GPT系モデルとの比較は行われていないが、臨床意思決定支援への直接応用が見込まれる実用的な提案である。