Patients-like-me: 설명 가능한 임상 예측을 위한 변분적 언어 모델-그래프 신경망 프레임워크

Patients-like-me: A Variational LM--GNN Framework for Explainable Clinical Prediction

언어 모델(LM)은 전자 건강 기록(EHR)에 대한 강력한 텍스트 표현을 제공하지만, 개별 환자 데이터를 독립적으로 처리하며 제한적인 설명 가능성을 갖습니다. 그래프 신경망(GNN)은 LM의 단점을 보완하여 환자 간의 관계를 통합하고 기준 환자 추적 기능을 제공하지만, 고품질의 환자 표현에 의존합니다. 본 연구에서는 지역 환자 의미론과 전역 코호트 구조를 통합하는 통합 LM-GNN 프레임워크인 Patients-like-me (PLM)을 제안합니다. PLM을 효율적으로 학습하기 위해, 지도 변분 목적 함수 하에서 LM 및 GNN 업데이트를 번갈아 수행하는 변분적 기댓값 최대화(Variational Expectation-Maximization) 알고리즘을 도입했습니다. MIMIC-III 및 MIMIC-IV 데이터셋에 대한 광범위한 실험 결과, PLM은 최첨단 방법보다 일관되게 우수한 성능을 보였으며, 인코더 전용 및 디코더 전용 LM 백본 모두에서 일반화된 개선 효과를 나타냈습니다. 이러한 성능 향상은 비교적 적은 추가적인 계산 비용으로 달성되었습니다. 또한, PLM은 영향력 있는 유사 환자를 검색하여 기준 환자 설명을 제공하며, 엣지 마스킹 실험을 통해 모델 예측에 가장 큰 영향을 미치는 참조 환자가 최고 순위로 선정됨을 확인했습니다.

Language models (LMs) offer strong textual representations for electronic health records (EHRs), but they encode patient sequences in isolation and provide limited explainability. Graph neural networks (GNNs) complement LMs by incorporating inter-patient relationships and enabling reference-patient attribution, yet they rely on high-quality patient representations. We propose Patients-like-me (PLM), a unified LM--GNN framework that integrates local patient semantics with global cohort structure. To train PLM efficiently, we introduce a Variational Expectation-Maximization algorithm that alternates LM and GNN updates under a supervised variational objective. Extensive experiments on MIMIC-III and MIMIC-IV show that PLM consistently outperforms state-of-the-art methods, with improvements generalizing across encoder-only and decoder-only LM backbones. These gains are achieved with only modest additional computational overhead. PLM also provides reference-patient explanations by retrieving influential similar patients, while edge-masking experiments confirm that the highest-ranked references have the greatest impact on model predictions.