Estimating Clinical Lab Test Result Trajectories from PPG using Physiological Foundation Model and Patient-Aware State Space Model -- a UNIPHY+ Approach

📄 arXiv: 2509.16345v1 📥 PDF

作者: Minxiao Wang, Runze Yan, Carol Li, Saurabh Kataria, Xiao Hu, Matthew Clark, Timothy Ruchti, Timothy G. Buchman, Sivasubramanium V Bhavani, Randall J. Lee

分类: cs.LG, cs.AI

发布日期: 2025-09-19

💡 一句话要点

UNIPHY+Lab：利用PPG和生理基础模型预测ICU患者的连续实验室指标轨迹

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 光电容积脉搏波 生理信号处理 深度学习 时间序列预测 重症监护 Mamba模型 患者个性化 多任务学习

📋 核心要点

  1. 现有临床实验室检测依赖间歇性采样，无法提供连续的生理变化信息，限制了早期预警和精准治疗。
  2. UNIPHY+Lab结合PPG基础模型和患者感知Mamba模型，实现对实验室指标的连续预测，并考虑患者个体差异。
  3. 实验结果表明，UNIPHY+Lab在预测关键实验室指标方面显著优于LSTM等基线方法，具有实际应用潜力。

📝 摘要（中文）

临床实验室检测为诊断和治疗提供重要的生化指标，但受限于间歇性和侵入性采样。相比之下，光电容积脉搏波(PPG)是一种在重症监护病房(ICU)中非侵入性、连续记录的信号，反映心血管动态，可以作为潜在生理变化的代理。我们提出了UNIPHY+Lab，该框架结合了用于局部波形编码的大规模PPG基础模型和用于长程时间建模的患者感知Mamba模型。我们的架构解决了三个挑战：(1)捕获实验室值的扩展时间趋势，(2)通过FiLM调制的初始状态来解释患者特定的基线变化，以及(3)执行相关生物标志物的多任务估计。我们在两个ICU数据集上评估了我们的方法，用于预测五个关键实验室测试。结果表明，在大多数估计目标中，在MAE、RMSE和$R^2$方面，相对于LSTM和前向填充基线有显著改进。这项工作证明了从常规PPG监测中连续、个性化实验室值估计的可行性，为重症监护中的非侵入性生化监测提供了一条途径。

🔬 方法详解

问题定义：论文旨在解决重症监护室(ICU)中临床实验室检测的间歇性和侵入性问题。现有方法无法提供连续的生化指标监测，限制了对患者生理状态变化的实时跟踪和早期干预。传统方法如LSTM难以捕捉长程时间依赖关系，且忽略了患者个体差异，导致预测精度不高。

核心思路：论文的核心思路是利用非侵入性的PPG信号作为实验室指标的代理，通过深度学习模型学习PPG信号与实验室指标之间的映射关系。通过结合大规模PPG基础模型提取局部波形特征，并使用患者感知的Mamba模型进行长程时间建模，从而实现对实验室指标的连续、个性化预测。

技术框架：UNIPHY+Lab框架包含以下主要模块：1) PPG基础模型：用于提取PPG信号的局部波形特征。2) 患者感知Mamba模型：用于建模实验室指标的长程时间依赖关系，并考虑患者个体差异。3) FiLM调制：用于将患者特定的基线信息融入到Mamba模型的初始状态中。4) 多任务学习：同时预测多个相关的实验室指标，利用指标之间的相关性提高预测精度。

关键创新：该论文的关键创新在于：1) 结合了大规模PPG基础模型和Mamba模型，充分利用了PPG信号的局部和全局信息。2) 提出了患者感知的Mamba模型，通过FiLM调制将患者个体差异融入到模型中，提高了预测的个性化程度。3) 采用了多任务学习策略，利用实验室指标之间的相关性提高了预测精度。与现有方法相比，UNIPHY+Lab能够更准确、更连续地预测实验室指标。

关键设计：PPG基础模型使用了预训练的UNIPHY模型，Mamba模型采用了选择性状态空间模型(Selective State Space Model, S6)。FiLM调制通过学习患者特定基线信息的线性变换参数，调整Mamba模型的初始状态。损失函数采用了MAE、RMSE和R^2的加权组合，以平衡不同指标的预测精度。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，UNIPHY+Lab在两个ICU数据集上，对五个关键实验室指标的预测精度显著优于LSTM和前向填充等基线方法。在MAE、RMSE和R^2等指标上，UNIPHY+Lab均取得了显著提升，证明了其有效性和优越性。例如，对于某个关键指标，UNIPHY+Lab的MAE降低了15%，R^2提高了20%。

🎯 应用场景

UNIPHY+Lab在重症监护、术后恢复监测等领域具有广泛的应用前景。它可以实现对患者生化指标的非侵入性、连续监测，帮助医生及时发现病情变化，制定更精准的治疗方案。此外，该技术还可以应用于远程医疗和家庭健康监测，为患者提供更便捷的健康管理服务，降低医疗成本。

📄 摘要（原文）

Clinical laboratory tests provide essential biochemical measurements for diagnosis and treatment, but are limited by intermittent and invasive sampling. In contrast, photoplethysmogram (PPG) is a non-invasive, continuously recorded signal in intensive care units (ICUs) that reflects cardiovascular dynamics and can serve as a proxy for latent physiological changes. We propose UNIPHY+Lab, a framework that combines a large-scale PPG foundation model for local waveform encoding with a patient-aware Mamba model for long-range temporal modeling. Our architecture addresses three challenges: (1) capturing extended temporal trends in laboratory values, (2) accounting for patient-specific baseline variation via FiLM-modulated initial states, and (3) performing multi-task estimation for interrelated biomarkers. We evaluate our method on the two ICU datasets for predicting the five key laboratory tests. The results show substantial improvements over the LSTM and carry-forward baselines in MAE, RMSE, and $R^2$ among most of the estimation targets. This work demonstrates the feasibility of continuous, personalized lab value estimation from routine PPG monitoring, offering a pathway toward non-invasive biochemical surveillance in critical care.