01 / 研究问题
EHR 模型能否保留预测信息，同时说明哪些测量特征重要？
02 / 创新思路
DGFS 学习稀疏特征掩码；ATA 压缩已选特征输入，RML 融合互补表征后预测预后。
03 / 方法机制
Gumbel-Softmax 门控选择特征，Transformer 自编码器编码掩码后的输入；Representation Matching 融合一致与互补表征。预测、重建和对齐损失联合训练，PID 启发的控制器调节稀疏度。
04 / 实验设置
作者稿 v2 按所引 MIMIC-III 协议预处理和划分死亡风险、病情恶化任务。基线包括 RETAIN、T-LSTM、SAnD、ConCare、AdaCare；§5.2 未重列队列人数和划分比例。正式版新增 MIMIC-IV，此处数值仍仅属于 v2。
Author manuscript v2 · 20 June 2025 · Table 2 · 来源 ↗
05 / 主结果
Table 2 报告死亡风险 AUROC 0.9054、病情恶化 AUROC 0.9143；下表保留部分同稿基线。
MIMIC-III · 作者稿 v2 · 分数（0–1） · Author manuscript v2 · 20 June 2025 · Table 2 · 数据来源 ↗
刻度：0 → 1
| 条件 | 指标 / 系列 | 报告值 |
|---|---|---|
| Mortality AUROC | MIMIC-III · 作者稿 v2 · 分数（0–1） | 0.9054 |
| Mortality AUPRC | MIMIC-III · 作者稿 v2 · 分数（0–1） | 0.5627 |
| Decompensation AUROC | MIMIC-III · 作者稿 v2 · 分数（0–1） | 0.9143 |
| Decompensation AUPRC | MIMIC-III · 作者稿 v2 · 分数（0–1） | 0.3203 |
数值对应上述版本与实验条件；不同指标不构成统一排名。
MIMIC-III；括号保留 Table 2 报告的变动量。
横向滑动，或聚焦后按方向键查看全部列 →
| 任务 / 模型 | AUROC | AUPRC | min(Se,P+) |
|---|---|---|---|
| Mortality · ConCare | 0.8702 (0.008) | 0.5317 (0.027) | 0.5082 (0.021) |
| Mortality · DeepSelective | 0.9054 (0.013) | 0.5627 (0.019) | 0.5218 (0.020) |
| Decompensation · AdaCare | 0.9004 (0.003) | 0.3037 (0.004) | 0.3429 (0.004) |
| Decompensation · DeepSelective | 0.9143 (0.003) | 0.3203 (0.003) | 0.3573 (0.004) |
v2 · Table 2 · 原文来源 ↗
06 / 消融与局限
移除 ATA 后，死亡风险 AUROC 为 0.8524、AUPRC 为 0.4781（Figure 5）。特征选择有助于检查模型，但不证明因果标志物；掩码论证针对未选特征的访问，不等于排除训练/测试泄漏。跨医院、缺失值和控制器稳定性仍需验证。
展示的 MIMIC-III 数值对应作者稿 v2。正式期刊版还评测 MIMIC-IV，不能将这些数值跨版本移用。
07 / 个人贡献
与 Qian Yang 共同第一作者。正式贡献声明列出方法、研究实施、数据整理、项目管理、可视化与写作。
08 / 论文与代码
引用这项研究
DeepSelective: Interpretable prognosis prediction via feature selection and compression in EHR data. Pattern Recognition · 174, 112970, 2026. https://www.sciencedirect.com/science/article/pii/S0031320325016334