[论文解读] Enhanced Atrial Fibrillation Prediction in ESUS Patients with Hypergraph-based Pre-training

Yuzhang Xie, Yuhua Wu+4 more|arXiv (Cornell University)|Mar 2, 2026

Atrial Fibrillation Management and Outcomes被引用 0

一句话总结

该论文通过将更大卒中队列的知识迁移到较小的 ESUS 数据集，提出带监督与无监督超图的预训练，以提升 ESUS 患者房颤预测的预测性能。

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.

研究动机与目标

• 解决 ESUS 相关 AF 预测中的数据稀缺性与高维性。
• 利用超图表示来捕捉 ICD 代码的高阶交互。
• 开发带监督和无监督的预训练方法并迁移到 ESUS-AF。
• 在与从零开始训练的模型对比中评估预训练方法。
• 展示在外部数据集上的鲁棒性和泛化能力。

提出的方法

• 将患者数据表示为一个超图，其中超边为就诊，节点为诊断特征。
• 在 AI-RESPECT (7,780 samples) 上进行带监督学习的超图变换器预训练，在 AI-RESPECT 上进行自监督目标的无监督学习。
• 将预训练得到的嵌入迁移到 ESUS-AF (510 patients) 以形成紧凑的 32-D 表示。
• 将 32-D 嵌入与 53 项基线特征拼接，形成最终的患者表示。
• 在 ESUS-AF 数据上使用 5-fold 嵌套交叉验证训练下游 AF 预测模型（LR、RF、GB）。
• 与从零开始的表示进行对比，并报告 AUROC、Accuracy、F1-score 和 PR-AUC。

实验结果

研究问题

• RQ1 带有限样本的 ESUS 患者，基于超图的预训练能否改善 AF 预测？
• RQ2 带监督与无监督的超图预训练策略是否在性能上优于从零开始的训练？
• RQ3 迁移得到的嵌入在外部数据集（如 MIMIC-IV）上的泛化能力如何？
• RQ4 预训练对模型鲁棒性和数据利用效率的影响如何？

主要发现

• 带监督和无监督预训练在所有模型上均优于从零开始的训练。
• 带监督预训练在 ESUS-AF 上的 AUROC 提升约为 7–12%，F1-score 提升约为 7–20%。
• 无监督预训练也取得显著提升，在标签有限或不可用时更具通用性。
• 预训练展现出数据利用效率，在不同训练数据量下具有鲁棒性，在外部验证中具有更好的泛化。
• 迁移得到的表示在不同下游模型（LR、RF、GB）和外部数据集上保持性能，MIMIC-IV 中对 GB 存在个别例外。
• 该方法凸显可扩展性及在多机构临床 AI 应用中的潜力。