1. 项目概述当AI遇见死因推断多模态融合如何破局在公共卫生和流行病学领域准确推断死因Cause of Death, COD是评估疾病负担、制定卫生政策的基础。然而在资源有限的地区获取高质量的医疗记录或进行尸检往往不现实。口头尸检Verbal Autopsy, VA——通过访谈死者家属或照料者来收集死亡前症状和事件——成为了一种关键的替代数据来源。传统的VA分析依赖于医生评审Physician-Certified VA, PCVA或统计模型如InSilicoVA但前者耗时耗力且存在主观性后者则受限于结构化问卷的预设问题可能遗漏关键细节。近年来随着机器学习ML和自然语言处理NLP的兴起自动化COD分类模型展现出巨大潜力。特别是预训练语言模型PLMs如BioClinicalBERT在解析非结构化的VA叙述文本上表现优异。然而VA数据本质上是多模态的它既包含结构化的“是/否”问卷表格数据也包含非结构化的自由文本叙述。这就引出了一个核心问题如何将这两种信息形态——表格与文本——有效地结合起来构建一个更强大、更鲁棒的自动化推断系统这正是多模态融合技术大显身手的舞台。简单来说多模态融合就是教AI“兼听则明”不让任何有价值的信息被浪费。在我们的死因推断任务中结构化问卷像一份严谨的检查清单确保基础症状不被遗漏而自由文本叙述则像一份病情日记蕴含着疾病发展的时间线、关键细节和语境信息这些往往是标准化问题无法捕捉的。我们的研究核心就是系统性地探索并比较了两种主流的融合策略——特征级融合与决策级融合——在提升COD分类精度上的效果。同时我们深入剖析了一个常被忽视但至关重要的问题数据本身的信息充分性。即使模型再先进如果VA访谈获得的信息本身模糊、不完整或缺乏特异性那么无论是医生还是AI都难以做出准确判断。理解信息充分性是评估VA工具效能的基石也是指引未来数据收集和模型改进方向的关键。本文将带你深入这个交叉领域的前沿。无论你是公共卫生领域的研究者还是对多模态机器学习应用感兴趣的工程师都能从中获得从理论到实践的全景视角。我们将拆解模型架构、分享调参心得、分析实验结果并直面当前方法的局限与挑战。2. 核心思路与方案选型为什么是这两种融合策略面对文本和表格数据多模态融合并非只有一条路。常见的策略大致可分为三类数据级融合、特征级融合和决策级融合。我们的研究重点聚焦于后两者这是基于任务特性、数据形态和实际可行性做出的综合考量。2.1 数据级融合简单直接但存在天花板数据级融合是最直观的方法即在模型输入的最早期就将不同模态的数据合并。例如将表格的每一列特征如“是否发烧”、“是否咳嗽”通过某种方式如转换为描述性文本片段与叙述文本直接拼接形成一个超长的文本序列然后送入一个能够处理长序列的预训练语言模型如Longformer进行端到端的学习。为什么我们虽有尝试但未将其作为核心在我们的实验中数据级融合使用Longformer确实取得了不错的个体层面分类准确率0.683。它的优势在于设计简洁能自然建模文本和表格特征在原始层面的交互。然而其局限性也相当明显扩展性差这种方法难以推广到文本和表格之外的其他模态如医学图像或音频。VA的未来发展很可能整合更多元的数据。对表格数据不友好语言模型擅长处理富含语义的文本但对于实验室结果MITS数据这类变量多、语义稀疏的表格数据其强大的上下文嵌入能力可能“英雄无用武之地”甚至因引入噪声而效果不佳。序列长度限制尽管Longformer能处理更长序列但其输入长度仍有上限。对于特别冗长的叙述文本可能需要进行截断导致信息丢失。类别不平衡挑战与文本分类任务一样数据级融合模型同样会受到数据中多数类主导的影响需要专门针对文本数据的平衡技术。因此数据级融合更像一个高效的“特化解决方案”适用于当前文本-表格任务但未来扩展的灵活性不足。2.2 特征级融合轻量高效平衡性能与成本特征级融合在流程上稍晚一步。它先让不同的“专家”模型分别处理各自擅长的数据用一个文本模型如RoBERTa-PM从叙述中提取深度语义嵌入向量同时用另一个专门处理表格的模型如FT-Transformer从问卷中提取特征向量。然后在模型的中间层将这些来自不同模态的特征向量拼接起来共同输入到一个多层感知机MLP中进行联合决策。为什么选择特征级融合作为核心策略之一我们采用了亚马逊开源的AutoGluon Multimodal (AutoMM) 框架来实现特征级融合这背后有几层考量灵活性特征级融合的架构天生支持扩展。未来若要加入图像特征只需新增一个图像编码器分支将其输出的特征向量与文本、表格特征拼接即可。计算效率相对于需要处理超长序列的PLMs特征级融合通常更节省计算资源。模态特定的模型可以并行训练或使用预训练好的特征提取器。自动化与易用性AutoMM作为一个AutoML工具能自动搜索和优化各分支模型的超参数大大降低了非专业研究者的使用门槛。这对于推动该技术在更广泛的公共卫生实践中落地具有重要意义。性能权衡在我们的结果中特征级融合模型取得了0.646的准确率。虽然略低于最优的决策级融合但与顶级单模态模型持平且显著优于传统统计模型。在资源受限的场景下它是一个非常好的“性价比”选择。注意尽管AutoMM号称“自动”但我们的实践经验表明为了达到最优性能仍然需要对基础模型如选择BioClinicalBERT还是RoBERTa-PM作为文本主干网络进行有依据的定制并对关键的训练超参数如学习率、批次大小进行手动调优。完全依赖默认配置可能无法发挥数据集的全部潜力。2.3 决策级融合集百家之长追求极致性能决策级融合也称为集成学习走的是“委员会决策”的路线。它不在特征层面进行混合而是让多个独立的模型基模型分别对同一任务做出预测然后通过某种策略如投票或 stacking将这些预测结果汇总形成最终决策。为什么决策级融合是我们的另一个核心我们系统评估了两种决策级融合策略软投票集成和堆叠集成。软投票集成这是最简单的方法。我们训练了多个独立的模型包括5个基于叙述的PLMs如BioClinicalBERT, BlueBERT和5个基于问卷的ML模型如LightGBM, XGBoost外加传统的InSilicoVA模型。每个模型对测试样本输出一个关于各个死因的概率分布。软投票即对所有模型的预测概率取平均值选择平均概率最高的类别作为最终死因。堆叠集成这是一种更精巧的“元学习”方法。我们采用了改进的Super Learner框架。首先通过5折分层交叉验证为每个基模型生成样本外预测概率。这些概率构成了一个新的特征矩阵元特征。然后我们在这个元特征矩阵上训练一个“元学习器”如KNN、逻辑回归让它学习如何最优地组合基模型的预测。在推理时基模型先在完整训练集上训练并对测试集做预测然后将这些预测输入训练好的元学习器得到最终结果。决策级融合的优势与挑战优势它获得了本研究中最高的个体分类准确率软投票0.695。其最大优势在于灵活性和模型异构性。我们可以集成架构迥异的模型包括深度学习模型、梯度提升树和传统统计模型。这种多样性有助于减少单一模型类型的偏差提升整体泛化能力。挑战这是计算成本最高的策略尤其是堆叠集成需要进行多轮交叉验证来生成元特征。同时它要求每个基模型都经过良好的校准和调优否则较差的基模型会拖累整体性能。此外如何选择最优的元学习器也是一个需要探索的超参数。我们的实验表明融合多模态模型即同时包含文本模型和表格模型的集成其效果优于只融合单一模态内部的模型。这强有力地证明了文本和表格信息具有互补性。3. 实操详解从数据到模型的全链路实现理解了核心思路后我们来看看如何一步步将其实现。本节将结合我们的研究实践提供可复现的实操要点和代码片段。3.1 数据准备与预处理数据是模型的基石。我们使用的SANCOD数据集包含成对的VA叙述文本和结构化问卷答案。文本数据预处理对于基于Transformer的PLMs特征级、数据级融合我们通常进行最小化清洗转换为小写、去除特殊字符。分词和子词划分由模型自身的tokenizer完成。对于传统NLP特征提取用于信息充分性分析流程更复杂包括小写转换、去除标点和停用词、词形还原等然后使用TF-IDF结合n-gram如uni-gram, bi-gram进行向量化。# 示例使用scikit-learn进行传统文本特征提取 from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.decomposition import TruncatedSVD import pandas as pd # 假设 narratives 是文本列表 vectorizer TfidfVectorizer(lowercaseTrue, max_features5000, ngram_range(1,2)) X_tfidf vectorizer.fit_transform(narratives) # 降维以减少特征维度并缓解稀疏性 svd TruncatedSVD(n_components450, random_state42) X_text_features svd.fit_transform(X_tfidf) text_feature_df pd.DataFrame(X_text_features, columns[ftfidf_{i} for i in range(450)])表格数据预处理问卷数据通常是分类变量是/否/未知。我们将其转换为数值型如0/1并对有序分类变量进行标签编码或独热编码具体取决于所用模型的要求。对于基于树的模型LightGBM, XGBoost通常不需要复杂的标准化但对于神经网络建议进行标准化或归一化。数据划分关键点死因分布极不均衡。必须使用分层抽样来划分训练集、验证集和测试集确保每个集合中各类死因的比例与整体数据集保持一致。这是获得可靠评估结果的前提。from sklearn.model_selection import train_test_split # X_features: 融合后的特征或原始数据 y: 死因标签 X_train, X_temp, y_train, y_temp train_test_split(X_features, y, test_size0.3, stratifyy, random_state42) X_val, X_test, y_val, y_test train_test_split(X_temp, y_temp, test_size0.5, stratifyy_temp, random_state42)3.2 模型训练与超参数优化不同的融合策略对应不同的训练流程。对于特征级融合以AutoMM为例AutoMM封装了大部分复杂性。你需要定义好文本和表格数据的路径及列名并指定预测任务类型多分类。from autogluon.multimodal import MultiModalPredictor import pandas as pd # 假设 df 是一个DataFrame包含‘narrative’文本列和其他问卷列 label_column cause_of_death predictor MultiModalPredictor(labellabel_column, problem_typemulticlass) predictor.fit( train_datadf_train, hyperparameters{ model.names: [hf_text, ft_transformer], # 指定文本和表格模型类型 model.hf_text.checkpoint_name: emilyalsentzer/Bio_ClinicalBERT, # 定制文本主干 env.num_gpus: 1, }, time_limit3600, # 训练时间限制 )实操心得AutoMM的自动超参优化主要针对其内部集成的模型。如果你像我们一样想自定义文本主干网络例如换成RoBERTa-PM需要在hyperparameters中明确指定checkpoint_name。同时监控训练日志关注验证集指标必要时可以手动调整学习率等基础超参。对于决策级融合以软投票集成为例训练多样化的基模型文本模型使用transformers库微调多个PLMs。超参数设置可参考我们优化后的结果见表4.3例如使用Longformer时学习率设为3.76e-5训练7个epoch。表格模型使用Optuna、Hyperopt等工具对LightGBM、CatBoost等模型进行超参数搜索。我们为每个模型定义了详细的搜索空间见表4.4例如LightGBM的learning_rate在[0.01, 0.2]区间内对数均匀搜索。生成预测概率在每个基模型训练完成后在测试集上运行预测得到每个样本属于各个死因的概率矩阵。执行软投票import numpy as np # 假设 prob_list 是一个列表包含所有基模型在测试集上的预测概率矩阵 [n_samples, n_classes] prob_array np.stack(prob_list, axis0) # 形状[n_models, n_samples, n_classes] avg_prob np.mean(prob_array, axis0) # 对模型维度取平均 final_predictions np.argmax(avg_prob, axis1) # 取平均概率最高的类别对于堆叠集成 流程更为复杂核心在于生成样本外预测来训练元学习器避免数据泄露。from sklearn.model_selection import StratifiedKFold from sklearn.linear_model import LogisticRegression import numpy as np def train_stacking(base_models, X_train, y_train, X_test, meta_modelLogisticRegression()): n_folds 5 skf StratifiedKFold(n_splitsn_folds, shuffleTrue, random_state42) n_classes len(np.unique(y_train)) # 步骤1: 生成训练集的OOF预测 oof_preds np.zeros((len(X_train), len(base_models) * n_classes)) for i, model in enumerate(base_models): fold_oof np.zeros((len(X_train), n_classes)) for train_idx, val_idx in skf.split(X_train, y_train): X_tr, X_val X_train[train_idx], X_train[val_idx] y_tr y_train[train_idx] # 训练基模型 (此处需根据模型类型适配fit/predict接口) model.fit(X_tr, y_tr) fold_oof[val_idx] model.predict_proba(X_val) oof_preds[:, i*n_classes:(i1)*n_classes] fold_oof # 步骤2: 训练元学习器 meta_model.fit(oof_preds, y_train) # 步骤3: 生成测试集预测 test_preds np.zeros((len(X_test), len(base_models) * n_classes)) for i, model in enumerate(base_models): # 在完整训练集上重新训练基模型 model.fit(X_train, y_train) test_preds[:, i*n_classes:(i1)*n_classes] model.predict_proba(X_test) # 步骤4: 元学习器做出最终预测 final_preds meta_model.predict(test_preds) return final_preds重要提示堆叠集成的成功高度依赖于基模型的多样性。如果所有基模型都犯同样的错误元学习器也无法纠正。因此我们有意选择了BERT系PLM、梯度提升树、神经网络等不同架构的模型。3.3 模型评估与结果分析我们采用多层次评估体系以全面反映模型性能个体层面指标关注单个死亡案例的死因是否被正确分类。准确率最直观的指标。加权F1分数、精确率、召回率考虑到死因类别极不均衡加权指标比宏平均更能反映模型在多数类上的表现也更符合实际公共卫生关注点。群体层面指标关注整个群体中各类死因比例死因别死亡率CSMF的估计准确性。CSMF准确率1 - 0.5 * Σ|真实CSMF - 预测CSMF|。衡量CSMF向量的总体误差。CCCSMF准确率将死因合并到更宽泛的类别如传染病、非传染病后计算的CSMF准确率评估在更高层级上的估计能力。我们的核心发现多模态融合的有效性无论是决策级融合软投票准确率0.695还是数据级融合0.683都显著超越了最好的单模态模型问卷最佳LightGBM: 0.665叙述最佳BioClinicalBERT: 0.646。这证实了信息互补的价值。信息类型的互补文本叙述显著提升了模型对非传染性疾病如肿瘤、糖尿病、肝硬化的分类能力。这可能是因为这些疾病的诊断更依赖于复杂的病史描述和症状演进模式而这些信息在标准化的“是/否”问卷中难以充分捕捉。集成策略的差异软投票在个体准确率上略胜一筹而使用KNN作为元学习器的堆叠集成则在群体层面的CSMF准确率上表现最佳0.950。这表明不同的融合策略可能优化了不同层面的目标。4. 深入核心信息充分性——被忽视的模型性能天花板在追求更复杂模型的同时我们意识到一个根本性问题如果数据本身提供的信息不足以确定死因那么再先进的模型也无能为力。因此我们转向对数据本身“信息充分性”的研究。4.1 什么是信息充分性在我们的研究中信息充分性并非指叙述文本的字数或报告的症状数量。如图5.2所示高充分性和低充分性案例在文本长度和症状数量上分布重叠。真正的充分性指的是信息中是否包含了对鉴别诊断最有价值的细节和模式。这可以是指向性或排除性特征例如“剧烈头痛伴颈部僵硬”强烈提示脑膜炎。症状组合与演进模式一系列症状出现的时序和关联性。案例对比高充分性案例“死亡前两周死者出现严重头痛和颈部僵硬。被送往医院诊断为脑膜炎住院一周后死亡。”——尽管简短但包含了关键症状、时间线和临床诊断信息充分。低充分性案例“死者有结核病、高血压和哮喘病史多年。多次住院死前出现腹胀、脚肿、发黑、呼吸困难、严重咳嗽、胸痛和呕吐。”——虽然症状列表很长但描述模糊、非特异多种感染性疾病都可能出现类似症状且缺乏清晰的因果链和时间线信息不充分。4.2 量化与预测信息充分性我们邀请医生在评审VA时对其信息充分性进行1-5分的主观评分。我们将此作为目标变量尝试用模型来预测。方法我们再次采用特征级融合策略但这次使用更易解释的传统NLP特征TF-IDF SVD降维与问卷特征结合输入AutoGluon表格预测器进行三分类高、中、低充分性。结果与洞察预测性能多模态模型预测充分性水平的准确率为44.5%。其中问卷特征的贡献度占85.5%远高于叙述文本特征14.5%。这表明在当前VA设计中结构化问题在决定信息充分性方面扮演了更主导的角色。关键特征问卷侧SHAP值最高指向特定事件如道路交通事故、怀孕或特征性症状如咳痰、咳血的问题以及确认既往诊断如HIV/AIDS、结核病的问题对判断信息充分性最为重要。例如“是否在交通事故中受伤”i079o这类问题能提供明确、具体的诊断线索。叙述侧最重要的TF-IDF成分与“高血压、糖尿病”、“HIV、结核”等明确的疾病实体关键词相关。这暗示当叙述中清晰提及已被诊断的疾病名称时医生会认为信息更充分。充分性与分类性能强相关如图5.3和5.4所示无论是AI模型还是医生其分类准确率都随着信息充分性评分的升高而呈现明显的梯度上升。对于被医生评为信息“极不充分”的案例即使结合了医疗记录仍有大量死因被归类为“不确定”。这强烈表明信息缺口是导致分类困难的根本原因之一而非仅仅是模型能力不足。4.3 对实践的意义与启示VA不应是孤立的工具研究结果支持将VA整合到一个自适应的、活的诊断系统中。对于模型预测置信度低、或由算法/医生标记为信息可能不充分的案例尤其是特定死因如老年人肺炎、腹泻应自动触发警报并转介进行更深入的调查如微创组织取样MITS或尸检。改进数据收集协议针对信息不充分的常见领域如老年人死亡、特定传染病需要优化访谈问题或培训访谈员进行更深入的探查。例如增加关于症状出现时序、严重程度变化、治疗反应等开放式追问。模型设计的启示既然信息充分性显著影响性能未来的自动化COD分类模型可以增加一个“充分性评估”模块。对于被该模块判定为“信息不足”的案例模型可以主动输出“不确定”或给出一个涵盖多种可能性的概率分布而不是强行做出一个可能错误的单一预测从而提高系统的可信度和安全性。5. 避坑指南与未来方向基于这项研究的实战经验我总结出以下几点关键注意事项和未来值得探索的方向。5.1 实操中的常见陷阱与解决方案类别不平衡问题死因数据极度不均衡多数模型会偏向于多数类如HIV/AIDS。尝试过的方案在损失函数中使用类别权重、对少数类进行过采样如SMOTE、对多数类进行欠采样。我们的体会对于文本数据简单的过采样可能导致严重的过拟合因为生成的合成文本样本可能缺乏语义合理性。更有效的方法是在特征级或决策级融合框架内对不同的数据模态采用不同的平衡策略。例如对表格数据使用SMOTE而对文本数据采用基于嵌入的过采样或代价敏感学习。目前尚无银弹需要针对具体任务进行实验。超参数调优的复杂性集成学习涉及大量基模型每个都有众多超参数。建议采用分层优化策略。首先使用贝叶斯优化如Optuna或网格搜索为每个基模型找到一组表现良好的超参数。然后在固定基模型的情况下再对集成策略本身的参数如投票权重、元学习器选择进行调优。合理设置搜索空间和提前停止策略以控制计算成本。计算资源管理训练多个大型PLMs和集成模型非常消耗GPU和内存。策略利用预训练模型进行轻量级的微调而非从头训练。使用混合精度训练以加速并减少显存占用。对于不活跃的实验阶段可以考虑将模型预测概率缓存到磁盘避免重复推理。考虑使用模型蒸馏技术将集成模型的知识压缩到一个更小的模型中以便部署。结果的可解释性挑战尤其是深度学习模型常被视为“黑箱”。应对除了使用SHAP、LIME等事后解释工具在特征级融合中可以有意使用部分可解释的特征如TF-IDF。在决策级融合中可以分析不同基模型对最终预测的贡献度这本身也是一种模型行为的洞察。5.2 本研究的局限性与未来展望模型异构性不足我们集成的模型虽然来自不同家族但同质性仍然较高PLMs多是BERT变体ML模型多是梯度提升树。未来可以引入更多样化的架构如基于Transformer的表格模型TabTransformer、图神经网络如果能把症状关系建模成图甚至基于VA音频记录的模型以获取更丰富的视角。缺乏不确定性量化当前模型只输出点估计最可能的死因及其概率没有提供预测的不确定性区间。在公共卫生决策中了解估计的置信度至关重要。未来可以探索贝叶斯神经网络、蒙特卡洛Dropout或集成模型本身产生的预测方差来量化不确定性。跨场景泛化能力本研究基于单一数据集SANCOD。VA叙述的质量受文化、访谈员影响极大。模型在不同地区、不同访谈协议下的表现如何需要进一步的跨域验证研究。信息充分性建模的深化当前预测充分性的准确率不高部分因为这是一个高度主观、边界模糊的任务。未来工作可以结合定性研究如对医生进行深入访谈提炼出更客观、可操作的充分性评估标准甚至构建一个细粒度的“信息缺失”标签体系如“缺少时间线”、“缺少关键体征”从而为模型提供更清晰的学习目标。处理模态缺失在实际应用中可能只有文本或只有表格数据可用。需要开发更灵活的融合架构例如能够处理模态缺失情况的多模态模型或研究如何利用一种模态的数据来生成另一种模态的增强特征。最后我想强调的是这项研究揭示了一个比模型算法更根本的挑战数据质量的边界就是模型性能的天花板。在资源有限的环境下开发更聪明的AI模型固然重要但同等重要的是设计更有效的数据收集工具、培训更专业的访谈员并建立将VA与更确切的诊断方法如MITS联系起来的综合系统。技术与工具的创新必须与实地工作流程的改进紧密结合才能真正提升死因推断的准确性从而照亮全球卫生决策的道路。
多模态融合在死因推断中的应用：特征级与决策级融合策略对比
发布时间：2026/5/25 8:58:27
1. 项目概述当AI遇见死因推断多模态融合如何破局在公共卫生和流行病学领域准确推断死因Cause of Death, COD是评估疾病负担、制定卫生政策的基础。然而在资源有限的地区获取高质量的医疗记录或进行尸检往往不现实。口头尸检Verbal Autopsy, VA——通过访谈死者家属或照料者来收集死亡前症状和事件——成为了一种关键的替代数据来源。传统的VA分析依赖于医生评审Physician-Certified VA, PCVA或统计模型如InSilicoVA但前者耗时耗力且存在主观性后者则受限于结构化问卷的预设问题可能遗漏关键细节。近年来随着机器学习ML和自然语言处理NLP的兴起自动化COD分类模型展现出巨大潜力。特别是预训练语言模型PLMs如BioClinicalBERT在解析非结构化的VA叙述文本上表现优异。然而VA数据本质上是多模态的它既包含结构化的“是/否”问卷表格数据也包含非结构化的自由文本叙述。这就引出了一个核心问题如何将这两种信息形态——表格与文本——有效地结合起来构建一个更强大、更鲁棒的自动化推断系统这正是多模态融合技术大显身手的舞台。简单来说多模态融合就是教AI“兼听则明”不让任何有价值的信息被浪费。在我们的死因推断任务中结构化问卷像一份严谨的检查清单确保基础症状不被遗漏而自由文本叙述则像一份病情日记蕴含着疾病发展的时间线、关键细节和语境信息这些往往是标准化问题无法捕捉的。我们的研究核心就是系统性地探索并比较了两种主流的融合策略——特征级融合与决策级融合——在提升COD分类精度上的效果。同时我们深入剖析了一个常被忽视但至关重要的问题数据本身的信息充分性。即使模型再先进如果VA访谈获得的信息本身模糊、不完整或缺乏特异性那么无论是医生还是AI都难以做出准确判断。理解信息充分性是评估VA工具效能的基石也是指引未来数据收集和模型改进方向的关键。本文将带你深入这个交叉领域的前沿。无论你是公共卫生领域的研究者还是对多模态机器学习应用感兴趣的工程师都能从中获得从理论到实践的全景视角。我们将拆解模型架构、分享调参心得、分析实验结果并直面当前方法的局限与挑战。2. 核心思路与方案选型为什么是这两种融合策略面对文本和表格数据多模态融合并非只有一条路。常见的策略大致可分为三类数据级融合、特征级融合和决策级融合。我们的研究重点聚焦于后两者这是基于任务特性、数据形态和实际可行性做出的综合考量。2.1 数据级融合简单直接但存在天花板数据级融合是最直观的方法即在模型输入的最早期就将不同模态的数据合并。例如将表格的每一列特征如“是否发烧”、“是否咳嗽”通过某种方式如转换为描述性文本片段与叙述文本直接拼接形成一个超长的文本序列然后送入一个能够处理长序列的预训练语言模型如Longformer进行端到端的学习。为什么我们虽有尝试但未将其作为核心在我们的实验中数据级融合使用Longformer确实取得了不错的个体层面分类准确率0.683。它的优势在于设计简洁能自然建模文本和表格特征在原始层面的交互。然而其局限性也相当明显扩展性差这种方法难以推广到文本和表格之外的其他模态如医学图像或音频。VA的未来发展很可能整合更多元的数据。对表格数据不友好语言模型擅长处理富含语义的文本但对于实验室结果MITS数据这类变量多、语义稀疏的表格数据其强大的上下文嵌入能力可能“英雄无用武之地”甚至因引入噪声而效果不佳。序列长度限制尽管Longformer能处理更长序列但其输入长度仍有上限。对于特别冗长的叙述文本可能需要进行截断导致信息丢失。类别不平衡挑战与文本分类任务一样数据级融合模型同样会受到数据中多数类主导的影响需要专门针对文本数据的平衡技术。因此数据级融合更像一个高效的“特化解决方案”适用于当前文本-表格任务但未来扩展的灵活性不足。2.2 特征级融合轻量高效平衡性能与成本特征级融合在流程上稍晚一步。它先让不同的“专家”模型分别处理各自擅长的数据用一个文本模型如RoBERTa-PM从叙述中提取深度语义嵌入向量同时用另一个专门处理表格的模型如FT-Transformer从问卷中提取特征向量。然后在模型的中间层将这些来自不同模态的特征向量拼接起来共同输入到一个多层感知机MLP中进行联合决策。为什么选择特征级融合作为核心策略之一我们采用了亚马逊开源的AutoGluon Multimodal (AutoMM) 框架来实现特征级融合这背后有几层考量灵活性特征级融合的架构天生支持扩展。未来若要加入图像特征只需新增一个图像编码器分支将其输出的特征向量与文本、表格特征拼接即可。计算效率相对于需要处理超长序列的PLMs特征级融合通常更节省计算资源。模态特定的模型可以并行训练或使用预训练好的特征提取器。自动化与易用性AutoMM作为一个AutoML工具能自动搜索和优化各分支模型的超参数大大降低了非专业研究者的使用门槛。这对于推动该技术在更广泛的公共卫生实践中落地具有重要意义。性能权衡在我们的结果中特征级融合模型取得了0.646的准确率。虽然略低于最优的决策级融合但与顶级单模态模型持平且显著优于传统统计模型。在资源受限的场景下它是一个非常好的“性价比”选择。注意尽管AutoMM号称“自动”但我们的实践经验表明为了达到最优性能仍然需要对基础模型如选择BioClinicalBERT还是RoBERTa-PM作为文本主干网络进行有依据的定制并对关键的训练超参数如学习率、批次大小进行手动调优。完全依赖默认配置可能无法发挥数据集的全部潜力。2.3 决策级融合集百家之长追求极致性能决策级融合也称为集成学习走的是“委员会决策”的路线。它不在特征层面进行混合而是让多个独立的模型基模型分别对同一任务做出预测然后通过某种策略如投票或 stacking将这些预测结果汇总形成最终决策。为什么决策级融合是我们的另一个核心我们系统评估了两种决策级融合策略软投票集成和堆叠集成。软投票集成这是最简单的方法。我们训练了多个独立的模型包括5个基于叙述的PLMs如BioClinicalBERT, BlueBERT和5个基于问卷的ML模型如LightGBM, XGBoost外加传统的InSilicoVA模型。每个模型对测试样本输出一个关于各个死因的概率分布。软投票即对所有模型的预测概率取平均值选择平均概率最高的类别作为最终死因。堆叠集成这是一种更精巧的“元学习”方法。我们采用了改进的Super Learner框架。首先通过5折分层交叉验证为每个基模型生成样本外预测概率。这些概率构成了一个新的特征矩阵元特征。然后我们在这个元特征矩阵上训练一个“元学习器”如KNN、逻辑回归让它学习如何最优地组合基模型的预测。在推理时基模型先在完整训练集上训练并对测试集做预测然后将这些预测输入训练好的元学习器得到最终结果。决策级融合的优势与挑战优势它获得了本研究中最高的个体分类准确率软投票0.695。其最大优势在于灵活性和模型异构性。我们可以集成架构迥异的模型包括深度学习模型、梯度提升树和传统统计模型。这种多样性有助于减少单一模型类型的偏差提升整体泛化能力。挑战这是计算成本最高的策略尤其是堆叠集成需要进行多轮交叉验证来生成元特征。同时它要求每个基模型都经过良好的校准和调优否则较差的基模型会拖累整体性能。此外如何选择最优的元学习器也是一个需要探索的超参数。我们的实验表明融合多模态模型即同时包含文本模型和表格模型的集成其效果优于只融合单一模态内部的模型。这强有力地证明了文本和表格信息具有互补性。3. 实操详解从数据到模型的全链路实现理解了核心思路后我们来看看如何一步步将其实现。本节将结合我们的研究实践提供可复现的实操要点和代码片段。3.1 数据准备与预处理数据是模型的基石。我们使用的SANCOD数据集包含成对的VA叙述文本和结构化问卷答案。文本数据预处理对于基于Transformer的PLMs特征级、数据级融合我们通常进行最小化清洗转换为小写、去除特殊字符。分词和子词划分由模型自身的tokenizer完成。对于传统NLP特征提取用于信息充分性分析流程更复杂包括小写转换、去除标点和停用词、词形还原等然后使用TF-IDF结合n-gram如uni-gram, bi-gram进行向量化。# 示例使用scikit-learn进行传统文本特征提取 from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.decomposition import TruncatedSVD import pandas as pd # 假设 narratives 是文本列表 vectorizer TfidfVectorizer(lowercaseTrue, max_features5000, ngram_range(1,2)) X_tfidf vectorizer.fit_transform(narratives) # 降维以减少特征维度并缓解稀疏性 svd TruncatedSVD(n_components450, random_state42) X_text_features svd.fit_transform(X_tfidf) text_feature_df pd.DataFrame(X_text_features, columns[ftfidf_{i} for i in range(450)])表格数据预处理问卷数据通常是分类变量是/否/未知。我们将其转换为数值型如0/1并对有序分类变量进行标签编码或独热编码具体取决于所用模型的要求。对于基于树的模型LightGBM, XGBoost通常不需要复杂的标准化但对于神经网络建议进行标准化或归一化。数据划分关键点死因分布极不均衡。必须使用分层抽样来划分训练集、验证集和测试集确保每个集合中各类死因的比例与整体数据集保持一致。这是获得可靠评估结果的前提。from sklearn.model_selection import train_test_split # X_features: 融合后的特征或原始数据 y: 死因标签 X_train, X_temp, y_train, y_temp train_test_split(X_features, y, test_size0.3, stratifyy, random_state42) X_val, X_test, y_val, y_test train_test_split(X_temp, y_temp, test_size0.5, stratifyy_temp, random_state42)3.2 模型训练与超参数优化不同的融合策略对应不同的训练流程。对于特征级融合以AutoMM为例AutoMM封装了大部分复杂性。你需要定义好文本和表格数据的路径及列名并指定预测任务类型多分类。from autogluon.multimodal import MultiModalPredictor import pandas as pd # 假设 df 是一个DataFrame包含‘narrative’文本列和其他问卷列 label_column cause_of_death predictor MultiModalPredictor(labellabel_column, problem_typemulticlass) predictor.fit( train_datadf_train, hyperparameters{ model.names: [hf_text, ft_transformer], # 指定文本和表格模型类型 model.hf_text.checkpoint_name: emilyalsentzer/Bio_ClinicalBERT, # 定制文本主干 env.num_gpus: 1, }, time_limit3600, # 训练时间限制 )实操心得AutoMM的自动超参优化主要针对其内部集成的模型。如果你像我们一样想自定义文本主干网络例如换成RoBERTa-PM需要在hyperparameters中明确指定checkpoint_name。同时监控训练日志关注验证集指标必要时可以手动调整学习率等基础超参。对于决策级融合以软投票集成为例训练多样化的基模型文本模型使用transformers库微调多个PLMs。超参数设置可参考我们优化后的结果见表4.3例如使用Longformer时学习率设为3.76e-5训练7个epoch。表格模型使用Optuna、Hyperopt等工具对LightGBM、CatBoost等模型进行超参数搜索。我们为每个模型定义了详细的搜索空间见表4.4例如LightGBM的learning_rate在[0.01, 0.2]区间内对数均匀搜索。生成预测概率在每个基模型训练完成后在测试集上运行预测得到每个样本属于各个死因的概率矩阵。执行软投票import numpy as np # 假设 prob_list 是一个列表包含所有基模型在测试集上的预测概率矩阵 [n_samples, n_classes] prob_array np.stack(prob_list, axis0) # 形状[n_models, n_samples, n_classes] avg_prob np.mean(prob_array, axis0) # 对模型维度取平均 final_predictions np.argmax(avg_prob, axis1) # 取平均概率最高的类别对于堆叠集成 流程更为复杂核心在于生成样本外预测来训练元学习器避免数据泄露。from sklearn.model_selection import StratifiedKFold from sklearn.linear_model import LogisticRegression import numpy as np def train_stacking(base_models, X_train, y_train, X_test, meta_modelLogisticRegression()): n_folds 5 skf StratifiedKFold(n_splitsn_folds, shuffleTrue, random_state42) n_classes len(np.unique(y_train)) # 步骤1: 生成训练集的OOF预测 oof_preds np.zeros((len(X_train), len(base_models) * n_classes)) for i, model in enumerate(base_models): fold_oof np.zeros((len(X_train), n_classes)) for train_idx, val_idx in skf.split(X_train, y_train): X_tr, X_val X_train[train_idx], X_train[val_idx] y_tr y_train[train_idx] # 训练基模型 (此处需根据模型类型适配fit/predict接口) model.fit(X_tr, y_tr) fold_oof[val_idx] model.predict_proba(X_val) oof_preds[:, i*n_classes:(i1)*n_classes] fold_oof # 步骤2: 训练元学习器 meta_model.fit(oof_preds, y_train) # 步骤3: 生成测试集预测 test_preds np.zeros((len(X_test), len(base_models) * n_classes)) for i, model in enumerate(base_models): # 在完整训练集上重新训练基模型 model.fit(X_train, y_train) test_preds[:, i*n_classes:(i1)*n_classes] model.predict_proba(X_test) # 步骤4: 元学习器做出最终预测 final_preds meta_model.predict(test_preds) return final_preds重要提示堆叠集成的成功高度依赖于基模型的多样性。如果所有基模型都犯同样的错误元学习器也无法纠正。因此我们有意选择了BERT系PLM、梯度提升树、神经网络等不同架构的模型。3.3 模型评估与结果分析我们采用多层次评估体系以全面反映模型性能个体层面指标关注单个死亡案例的死因是否被正确分类。准确率最直观的指标。加权F1分数、精确率、召回率考虑到死因类别极不均衡加权指标比宏平均更能反映模型在多数类上的表现也更符合实际公共卫生关注点。群体层面指标关注整个群体中各类死因比例死因别死亡率CSMF的估计准确性。CSMF准确率1 - 0.5 * Σ|真实CSMF - 预测CSMF|。衡量CSMF向量的总体误差。CCCSMF准确率将死因合并到更宽泛的类别如传染病、非传染病后计算的CSMF准确率评估在更高层级上的估计能力。我们的核心发现多模态融合的有效性无论是决策级融合软投票准确率0.695还是数据级融合0.683都显著超越了最好的单模态模型问卷最佳LightGBM: 0.665叙述最佳BioClinicalBERT: 0.646。这证实了信息互补的价值。信息类型的互补文本叙述显著提升了模型对非传染性疾病如肿瘤、糖尿病、肝硬化的分类能力。这可能是因为这些疾病的诊断更依赖于复杂的病史描述和症状演进模式而这些信息在标准化的“是/否”问卷中难以充分捕捉。集成策略的差异软投票在个体准确率上略胜一筹而使用KNN作为元学习器的堆叠集成则在群体层面的CSMF准确率上表现最佳0.950。这表明不同的融合策略可能优化了不同层面的目标。4. 深入核心信息充分性——被忽视的模型性能天花板在追求更复杂模型的同时我们意识到一个根本性问题如果数据本身提供的信息不足以确定死因那么再先进的模型也无能为力。因此我们转向对数据本身“信息充分性”的研究。4.1 什么是信息充分性在我们的研究中信息充分性并非指叙述文本的字数或报告的症状数量。如图5.2所示高充分性和低充分性案例在文本长度和症状数量上分布重叠。真正的充分性指的是信息中是否包含了对鉴别诊断最有价值的细节和模式。这可以是指向性或排除性特征例如“剧烈头痛伴颈部僵硬”强烈提示脑膜炎。症状组合与演进模式一系列症状出现的时序和关联性。案例对比高充分性案例“死亡前两周死者出现严重头痛和颈部僵硬。被送往医院诊断为脑膜炎住院一周后死亡。”——尽管简短但包含了关键症状、时间线和临床诊断信息充分。低充分性案例“死者有结核病、高血压和哮喘病史多年。多次住院死前出现腹胀、脚肿、发黑、呼吸困难、严重咳嗽、胸痛和呕吐。”——虽然症状列表很长但描述模糊、非特异多种感染性疾病都可能出现类似症状且缺乏清晰的因果链和时间线信息不充分。4.2 量化与预测信息充分性我们邀请医生在评审VA时对其信息充分性进行1-5分的主观评分。我们将此作为目标变量尝试用模型来预测。方法我们再次采用特征级融合策略但这次使用更易解释的传统NLP特征TF-IDF SVD降维与问卷特征结合输入AutoGluon表格预测器进行三分类高、中、低充分性。结果与洞察预测性能多模态模型预测充分性水平的准确率为44.5%。其中问卷特征的贡献度占85.5%远高于叙述文本特征14.5%。这表明在当前VA设计中结构化问题在决定信息充分性方面扮演了更主导的角色。关键特征问卷侧SHAP值最高指向特定事件如道路交通事故、怀孕或特征性症状如咳痰、咳血的问题以及确认既往诊断如HIV/AIDS、结核病的问题对判断信息充分性最为重要。例如“是否在交通事故中受伤”i079o这类问题能提供明确、具体的诊断线索。叙述侧最重要的TF-IDF成分与“高血压、糖尿病”、“HIV、结核”等明确的疾病实体关键词相关。这暗示当叙述中清晰提及已被诊断的疾病名称时医生会认为信息更充分。充分性与分类性能强相关如图5.3和5.4所示无论是AI模型还是医生其分类准确率都随着信息充分性评分的升高而呈现明显的梯度上升。对于被医生评为信息“极不充分”的案例即使结合了医疗记录仍有大量死因被归类为“不确定”。这强烈表明信息缺口是导致分类困难的根本原因之一而非仅仅是模型能力不足。4.3 对实践的意义与启示VA不应是孤立的工具研究结果支持将VA整合到一个自适应的、活的诊断系统中。对于模型预测置信度低、或由算法/医生标记为信息可能不充分的案例尤其是特定死因如老年人肺炎、腹泻应自动触发警报并转介进行更深入的调查如微创组织取样MITS或尸检。改进数据收集协议针对信息不充分的常见领域如老年人死亡、特定传染病需要优化访谈问题或培训访谈员进行更深入的探查。例如增加关于症状出现时序、严重程度变化、治疗反应等开放式追问。模型设计的启示既然信息充分性显著影响性能未来的自动化COD分类模型可以增加一个“充分性评估”模块。对于被该模块判定为“信息不足”的案例模型可以主动输出“不确定”或给出一个涵盖多种可能性的概率分布而不是强行做出一个可能错误的单一预测从而提高系统的可信度和安全性。5. 避坑指南与未来方向基于这项研究的实战经验我总结出以下几点关键注意事项和未来值得探索的方向。5.1 实操中的常见陷阱与解决方案类别不平衡问题死因数据极度不均衡多数模型会偏向于多数类如HIV/AIDS。尝试过的方案在损失函数中使用类别权重、对少数类进行过采样如SMOTE、对多数类进行欠采样。我们的体会对于文本数据简单的过采样可能导致严重的过拟合因为生成的合成文本样本可能缺乏语义合理性。更有效的方法是在特征级或决策级融合框架内对不同的数据模态采用不同的平衡策略。例如对表格数据使用SMOTE而对文本数据采用基于嵌入的过采样或代价敏感学习。目前尚无银弹需要针对具体任务进行实验。超参数调优的复杂性集成学习涉及大量基模型每个都有众多超参数。建议采用分层优化策略。首先使用贝叶斯优化如Optuna或网格搜索为每个基模型找到一组表现良好的超参数。然后在固定基模型的情况下再对集成策略本身的参数如投票权重、元学习器选择进行调优。合理设置搜索空间和提前停止策略以控制计算成本。计算资源管理训练多个大型PLMs和集成模型非常消耗GPU和内存。策略利用预训练模型进行轻量级的微调而非从头训练。使用混合精度训练以加速并减少显存占用。对于不活跃的实验阶段可以考虑将模型预测概率缓存到磁盘避免重复推理。考虑使用模型蒸馏技术将集成模型的知识压缩到一个更小的模型中以便部署。结果的可解释性挑战尤其是深度学习模型常被视为“黑箱”。应对除了使用SHAP、LIME等事后解释工具在特征级融合中可以有意使用部分可解释的特征如TF-IDF。在决策级融合中可以分析不同基模型对最终预测的贡献度这本身也是一种模型行为的洞察。5.2 本研究的局限性与未来展望模型异构性不足我们集成的模型虽然来自不同家族但同质性仍然较高PLMs多是BERT变体ML模型多是梯度提升树。未来可以引入更多样化的架构如基于Transformer的表格模型TabTransformer、图神经网络如果能把症状关系建模成图甚至基于VA音频记录的模型以获取更丰富的视角。缺乏不确定性量化当前模型只输出点估计最可能的死因及其概率没有提供预测的不确定性区间。在公共卫生决策中了解估计的置信度至关重要。未来可以探索贝叶斯神经网络、蒙特卡洛Dropout或集成模型本身产生的预测方差来量化不确定性。跨场景泛化能力本研究基于单一数据集SANCOD。VA叙述的质量受文化、访谈员影响极大。模型在不同地区、不同访谈协议下的表现如何需要进一步的跨域验证研究。信息充分性建模的深化当前预测充分性的准确率不高部分因为这是一个高度主观、边界模糊的任务。未来工作可以结合定性研究如对医生进行深入访谈提炼出更客观、可操作的充分性评估标准甚至构建一个细粒度的“信息缺失”标签体系如“缺少时间线”、“缺少关键体征”从而为模型提供更清晰的学习目标。处理模态缺失在实际应用中可能只有文本或只有表格数据可用。需要开发更灵活的融合架构例如能够处理模态缺失情况的多模态模型或研究如何利用一种模态的数据来生成另一种模态的增强特征。最后我想强调的是这项研究揭示了一个比模型算法更根本的挑战数据质量的边界就是模型性能的天花板。在资源有限的环境下开发更聪明的AI模型固然重要但同等重要的是设计更有效的数据收集工具、培训更专业的访谈员并建立将VA与更确切的诊断方法如MITS联系起来的综合系统。技术与工具的创新必须与实地工作流程的改进紧密结合才能真正提升死因推断的准确性从而照亮全球卫生决策的道路。
