10:37arXiv cs.LG@Fateme Golivand, Michael Skinner, Saurabh Mathur, Ameet Soni, Phillip Reeder, Kristian Kersting, Lakshmi Raman, Sriraam Natarajan精选该研究将儿科ECMO(体外膜肺氧合)中的临床决策建模为从轨迹中学习行动的问题,即模仿学习,且行动并非直接观测。研究采用基于Transformer的TabPFN模型,与XGBoost、MLP等传统基线在真实儿科ECMO数据上对比。结果显示TabPFN方法在预测临床行动上持续优于传统模型,可作为儿科ECMO决策支持的强基线。这项工作解决了儿科重症监护中数据稀缺和高度复杂性的挑战,为AI辅助临床决策提供了新思路。论文模仿学习儿科ECMO临床决策支持TabPFNTransformer推荐理由:儿科重症团队终于有了一个能处理数据稀缺和高复杂性的AI基线——TabPFN在ECMO决策建模上超越传统方法,做临床决策支持系统的研究者可以直接拿来对比或集成。原文