[논문 리뷰] Enhanced Atrial Fibrillation Prediction in ESUS Patients with Hypergraph-based Pre-training

Yuzhang Xie, Yuhua Wu외 4명|arXiv (Cornell University)|2026. 03. 02.

Atrial Fibrillation Management and Outcomes인용 수 0

한 줄 요약

이 논문은 더 큰 뇌졸중 코호트에서 작은 ESUS 데이터셋으로 지식을 이전하여 ESUS 환자에서 심방세동 예측을 개선하기 위해 감독형 및 비감독형 하이퍼그래프 기반 사전학습을 도입한다. 이는 예측 성능을 향상시킨다.

ABSTRACT

Atrial fibrillation (AF) is a major complication following embolic stroke of undetermined source (ESUS), elevating the risk of recurrent stroke and mortality. Early identification is clinically important, yet existing tools face limitations in accuracy, scalability, and cost. Machine learning (ML) offers promise but is hindered by small ESUS cohorts and high-dimensional medical features. To address these challenges, we introduce supervised and unsupervised hypergraph-based pre-training strategies to improve AF prediction in ESUS patients. We first pre-train hypergraph-based patient embedding models on a large stroke cohort (7,780 patients) to capture salient features and higher-order interactions. The resulting embeddings are transferred to a smaller ESUS cohort (510 patients), reducing feature dimensionality while preserving clinically meaningful information, enabling effective prediction with lightweight models. Experiments show that both pre-training approaches outperform traditional models trained on raw data, improving accuracy and robustness. This framework offers a scalable and efficient solution for AF risk prediction after stroke.

연구 동기 및 목표

• ESUS 관련 AF 예측에서 데이터 부족과 높은 차원을 해결한다.
• ICD 코드 간의 고차 상호작용을 포착하기 위해 하이퍼그래프 표현을 활용한다.
• 감독형 및 비감독형 사전학습 방법을 개발하고 ESUS-AF로 이전한다.
• 처음부터 학습된 모델과 비교하여 사전학습 방법을 평가한다.
• 외부 데이터셋에서의 로버스트성 및 일반화 가능성을 입증한다.

제안 방법

• 초과그래프에서 하이퍼에지(hyperedges)가 방문이고 노드가 진단 특징인 방식으로 환자 데이터를 표현한다.
• 감독 학습을 위한 AI-RESPECT(7,780 샘플)에서 하이퍼그래프 트랜스포머를 사전 학습하고, 자기지도(Self-supervised) 목표를 가진 AI-RESPECT에서 비감독 학습으로도 사전 학습한다.
• 사전 학습된 임베딩을 ESUS-AF(510명)으로 이전하여 32-D 컴팩트 표현을 형성한다.
• 32-D 임베딩을 53개의 기본 특성과 연결(concatenate)하여 최종 환자 표현을 형성한다.
• ESUS-AF 데이터에서 다운스트림 AF 예측기(LR, RF, GB)를 5-겹 중첩 교차 검증을 사용하여 학습한다.
• 처음부터 학습된 표현과 비교하고 AUROC, Accuracy, F1-score, 및 PR-AUC를 보고한다.

실험 결과

연구 질문

• RQ1 제한된 샘플을 가진 ESUS 환자에서 하이퍼그래프 기반 사전학습이 AF 예측을 향상시킬 수 있는가?
• RQ2 감독형 및 비감독형 하이퍼그래프 사전학습 전략이 처음부터 학습하는 것보다 성능을 향상시키는가?
• RQ3 전이된 임베딩이 외부 데이터셋(예: MIMIC-IV)에 얼마나 잘 일반화되는가?
• RQ4 사전학습이 모델의 로버스트성과 데이터 효율성에 미치는 영향은 무엇인가?

주요 결과

• 감독형과 비감독형 사전학습 모두 모든 모델에서 처음부터 학습하는 것보다 AF 예측을 향상시킨다.
• 감독형 사전학습은 ESUS-AF에서 AUROC 약 7–12% 증가와 F1-score 약 7–20% 증가를 가져온다.
• 비감독형 사전학습도 상당한 개선을 가져오며 레이블이 제한되거나 사용할 수 없을 때 더 versatile하다.
• 사전학습은 데이터 효율성을 보여주며, 다양한 학습 데이터 크기 하에서 로버스트한 성능과 외부 검증에서의 더 나은 일반화 성능을 보인다.
• 전이된 표현은 서로 다른 다운스트림 모델(LR, RF, GB) 및 외부 데이터셋에서도 성능을 유지하지만 MIMIC-IV의 GB에선 예외가 있다.
• 이 접근법은 확장성 및 다기관 임상 AI 적용 가능성을 강조한다.