研究评估Transformer EHR模型长达30年时间上下文预测能力
Start here
2026年11月6日，一项发表于arXiv的研究评估了电子健康记录（EHR）模型利用长周期历史数据的预测表现。研究人员基于拥有34.6M参数的Transformer初级保健EHR基础模型，分析了长达30年的日历回溯时间上下文对结直肠癌预测的影响。研究结果显示，该模型的AUROC从2年回溯期的0.551逐步提升至18年回溯期的0.590并进入平台期，其中约80%的性能增益在10年回溯期内达成；该结果与取得峰值AUROC 0.589的XGBoost基线模型水平相当。
AI-generated from reports · Updated 4 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习初级保健 EHR 模型结直肠癌预测：长达 30 年时间上下文的信号深度分析
研究人员利用 34.6M 参数的 Transformer 初级保健 EHR 基础模型，评估了长达 30 年的日历回溯时间上下文对结直肠癌预测的影响。结果显示模型 AUROC 从 2 年回溯期的 0.551 升至 18 年的 0.590 后进入平台期，约 80% 的增益在 10 年内达成，与峰值 0.589 的 XGBoost 基线相当。
Story heat trend
Current heat 9·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.