急性腎障害の早期予測のための因果Transformerと適応的ミューテーションロッキング

要旨: 急性腎障害（AKI）の正確な早期予測は、適時の臨床介入にとって極めて重要である。しかし、既存の深層学習モデルは、不規則にサンプリングされたデータに対してうまく対応できず、さらに逐次型アーキテクチャに特有の理解不能な「ブラックボックス」性質のため、臨床現場での信頼が厳しく制限されている。これらの課題に対処するため、我々は連続時間モデリングと因果トランスフォーマーを統合したCT-Formerを提案する。不均一性を持つデータに対して、偏りのある人工的な補完を行わずに対応するため、本フレームワークは、患者の時間的軌跡を自然に追跡する連続時間の状態進化メカニズムを用いる。ブラックボックス問題を解決するために、我々の因果注意（Causal-Attention）モジュールは、解釈不能な隠れ状態の集約を捨てる。その代わりに、重篤な生理学的ショックの正確な発症の履歴を特定し追跡するための、有向の構造因果行列を生成する。過去の異常と現在のリスク予測の間に明確な因果経路を確立することで、CT-Formerは生来の臨床的解釈可能性を提供する。学習は、因果融合プロセスを独立に最適化するための、切り離した二段階プロトコルに従う。MIMIC-IVコホート（N=18,419）に対する大規模な実験により、CT-Formerが最先端のベースラインを大幅に上回ることが示された。その結果は、我々の明示的に透明なアーキテクチャが、臨床的意思決定に対する正確で信頼できるツールを提供することを裏付けている。