MIMIC-IV记录伪影审计与有界模型更新研究

2026年10月15日，arXiv Artificial Intelligence 刊出 Fatema Ferdous Tamanna 等作者的论文修订版，研究 MIMIC-IV ICU 预测中的记录伪影与有界模型更新。该修订版新增数据集时间有效性审计、多时期漂移门控、有界更新非劣效性检验及 XAI 归因稳定性评估。审计针对 MIMIC-IV 3.1（2008-2022）发现，2020-2022 约半数 ICU 住院缺少输入或操作事件记录，且血管加压药 ItemID 迁移使 2017-2019 标签率看似下降实则上升。研究在预设 0.015 AUROC 非劣效界值下，将仅重训治疗上下文与融合参数的有界更新与全量微调比较，覆盖两个模型家族与两个目标，并测量相对源模型的归因稳定性。结果显示，有界更新在 12 个主要单元中的 10 个非劣或更优，但这取决于目标、模型家族与学习率调优，且相对从不更新的适应增益较小。在共享学习率下，有界更新使神经模型中的生理归因更稳定，血管加压药目标明显、插管目标较不明显；若分别调优学习率，全量更新更稳定。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。