🤖 machine learning

Differentiable latent structure discovery for interpretable forecasting in clinical time series

यह शोध पत्र StructGP और इसके लेटेंट पाथवे एक्सटेंशन LP-StructGP को प्रस्तुत करता है, जो डिफरेंशिएबल कंटीन्यूअस-टाइम गॉसियन प्रोसेस मॉडल हैं जो अनियमित क्लिनिकल टाइम सीरीज़ के लिए व्याख्या योग्य, सुव्यवस्थित और सटीक पूर्वानुमान प्रदान करने हेतु स्पार्स इंटर-वेरिएबल डिपेंडेंसीज़ और साझा रोगी प्रगति पैटर्न को एक साथ उजागर करते हैं।

मूल लेखक: Ivan Lerner, Jean Feydy, Alexandre Kalimouttou, Anita Burgun, Francis Bach

प्रकाशित 2026-05-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ivan Lerner, Jean Feydy, Alexandre Kalimouttou, Anita Burgun, Francis Bach

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: मरीज के स्वास्थ्य के भविष्य की भविष्यवाणी करना

कल्पना कीजिए कि अस्पताल में एक मरीज है। उनका शरीर एक जटिल ऑर्केस्ट्रा (orchestra) की तरह है, जिसमें अलग-अलग वाद्य यंत्र (जैसे हृदय गति, रक्तचाप, किडनी का कार्य) एक साथ बज रहे हैं। डॉक्टरों को न केवल यह जानने की जरूरत है कि अभी संगीत कैसा सुनाई दे रहा है, बल्कि यह भी कि अगले कुछ घंटों या दिनों में वह धुन कैसी होगी।

समस्या यह है कि अस्पताल का डेटा अव्यवस्थित (messy) होता है। डॉक्टर हर वाद्य यंत्र को एक ही समय पर नहीं देखते। कभी वे हर 5 मिनट में हृदय गति देखते हैं, तो कभी किडनी के कार्य की जांच दिन में केवल एक बार करते हैं। यह "अनियमित" (irregular) डेटा कंप्यूटर के लिए समझना कठिन होता है।

वर्तमान के अधिकांश कंप्यूटर मॉडल इस समस्या को ठीक करने के लिए डेटा को एक साफ-सुथरे ग्रिड (जैसे स्प्रेडशीट) में बदलने की कोशिश करते हैं, जिसमें खाली जगहों को अनुमान लगाकर भर दिया जाता है। लेकिन इससे गलतियाँ हो सकती हैं और संख्याओं के पीछे का "कारण" छिप सकता है।

यह शोध पत्र दो नए उपकरण पेश करता है, StructGP और LP-StructGP, जो इस ऑर्केस्ट्रा के लिए एक स्मार्ट और लचीले कंडक्टर (conductor) की तरह काम करते हैं। वे इन अव्यवस्थित और अनियमित सुरों को सुन सकते हैं और भविष्य की धुन की भविष्यवाणी कर सकते हैं, साथ ही यह भी समझा सकते हैं कि कैसे एक वाद्य यंत्र दूसरे को प्रभावित करता है।

टूल 1: StructGP (द "डिपेंडेंसी डिटेक्टिव" - निर्भरता खोजने वाला जासूस)

समस्या:
अस्पताल में, चर (variables) आपस में जुड़े होते हैं। यदि किसी मरीज का रक्तचाप गिरता है, तो डॉक्टर उसे बढ़ाने के लिए दवा दे सकते हैं। यदि उनकी किडनी काम करना बंद कर देती है, तो उनके रक्त का रसायन बदल जाता है। मानक मॉडल अक्सर प्रत्येक चर को ऐसे देखते हैं जैसे कि वह अकेला प्रदर्शन कर रहा हो, और इस बात को नजरअंदाज कर देते हैं कि वे एक-दूसरे से कैसे संवाद करते हैं।

समाधान:
StructGP एक जासूस की तरह है जो वास्तविक समय में इन चरों के बीच के संबंधों का मानचित्र तैयार करता है।

उपमा (Analogy): कल्पना कीजिए कि दोस्तों का एक समूह एक-दूसरे को टेक्स्ट मैसेज भेज रहा है। कुछ दोस्त सभी को मैसेज भेजते हैं; कुछ केवल एक विशिष्ट व्यक्ति को। StructGP इस "टेक्स्टिंग मैप" का पता लगाता है। यह सीखता है कि "ब्लड प्रेशर" (रक्तचाप) "ड्रग डोज़ेज" (दवा की खुराक) को संदेश भेजता है, लेकिन "तापमान" सीधे "हार्ट रेट" (हृदय गति) को संदेश नहीं भेजता।
यह कैसे काम करता है: यह "प्रोसेस कन्वोल्शन" (process convolution) नामक एक गणितीय तकनीक का उपयोग करता है। इसे एक फिल्टर के रूप में समझें जो अव्यवस्थित डेटा को सुचारू बनाता है और बिंदुओं को जोड़ता है।
"अहा!" क्षण: मॉडल केवल संख्याओं का अनुमान नहीं लगाता; यह एक डायरेक्टेड एसाइक्लिक ग्राफ (DAG) सीखता है। सरल भाषा में, यह एक फ्लोचार्ट है जो बिना किसी भ्रमित करने वाले लूप के, कारण-और-प्रभाव (या कम से कम मजबूत प्रभाव) को दर्शाता है। यह हमें बताता है: "क्योंकि A हुआ, इसलिए B के होने की संभावना है।"

परिणाम:

परीक्षणों में, StructGP उन मॉडलों की तुलना में अल्पकालिक परिवर्तनों (जैसे अगले 6 घंटे) की भविष्यवाणी करने में बेहतर था जो इन कनेक्शनों को नजरअंदाज करते हैं।
यह 18 विभिन्न स्वास्थ्य संकेतों के एक बड़े समूह को बिना भ्रमित हुए संभालने में विशेष रूप से सक्षम था, जबकि अन्य मॉडल विफल हो गए या गलत अनुमान देने लगे।
महत्वपूर्ण रूप से, यह जानता है कि वह कब अनिश्चित है। यह एक "कॉन्फिडेंस स्कोर" (अनिश्चितता) देता है जो बहुत सटीक है, जिसका अर्थ है कि यदि यह कहता है कि "मैं 95% आश्वस्त हूँ," तो यह आमतौर पर सही होता है।

टूल 2: LP-StructGP (द "ग्रुप ट्रैवल गाइड" - समूह यात्रा मार्गदर्शक)

समस्या:
भले ही हम जानते हों कि चर आपस में कैसे बात करते हैं, फिर भी हर मरीज अलग होता है। एक मरीज सेप्सिस (एक गंभीर संक्रमण) से जल्दी उबर सकता है, जबकि दूसरा धीमा और कठिन रास्ता तय कर सकता है। मानक मॉडल अक्सर एक "औसत" मरीज खोजने की कोशिश करते हैं, जो किसी पर भी पूरी तरह फिट नहीं बैठता।

समाधान:
LP-StructGP एक नया स्तर जोड़ता है: लेटेंट पाथवेज़ (Latent Pathways - छिपे हुए मार्ग)।

उपमा: कल्पना कीजिए कि हाइकर्स (मरीज) का एक समूह एक ही पर्वत शिखर (स्वस्थ होना) तक पहुँचने की कोशिश कर रहा है।
- कुछ हाइकर "फास्ट ट्रेल" (तेज रास्ता) लेते हैं।
- कुछ "सीनिक, स्लो ट्रेल" (सुंदर, धीमा रास्ता) लेते हैं।
- कुछ "रॉकी, डिफिकल्ट ट्रेल" (पथरीला, कठिन रास्ता) लेते हैं।
- LP-StructGP केवल एक हाइकर को नहीं देखता; यह पता लगाता है कि एक विशिष्ट मरीज किस "ट्रेल" (मार्ग) पर है। यह यह भी समझता है कि भले ही वे अलग-अलग रास्तों पर हों, पहाड़ के नियम (जैसे हृदय गति रक्तचाप को कैसे प्रभावित करती है) सभी के लिए समान हैं।
यह कैसे काम करता है: यह मरीजों को उनके डेटा के आधार पर इन छिपे हुए "रास्तों" में वर्गीकृत करता है। फिर यह यह देखकर भविष्य की भविष्यवाणी करता है कि वह विशिष्ट मार्ग कहाँ जा रहा है।

परिणाम:

लंबी अवधि की भविष्यवाणियों (6 दिन आगे देखने) के लिए, यह टूल पहले वाले की तुलना में बहुत बेहतर था।
इसने सही ढंग से पहचाना कि किडनी के समान प्रक्षेपवक्र (trajectories) वाले मरीज एक ही "पथ" का अनुसरण कर रहे थे, भले ही उनके अन्य संकेत अलग दिख रहे हों।
इसने इन विशिष्ट पथों पर मौजूद मरीजों के लिए किडनी के कार्य और दवाओं की आवश्यकता की भविष्यवाणी करने की सटीकता में सुधार किया।

यह क्यों मायने रखता है (शोध पत्र के अनुसार)

लेखकों ने हजारों मरीजों (MIMIC-IV और PhysioNet Challenge) के वास्तविक अस्पताल डेटा पर इन उपकरणों का परीक्षण किया।

यह सटीक है: इसने कई मामलों में वर्तमान "स्टेट-ऑफ-द-आर्ट" डीप लर्निंग मॉडलों की तुलना में भविष्य के स्वास्थ्य संकेतों की बेहतर भविष्यवाणी की।
यह ईमानदार है: कई "ब्लैक बॉक्स" AI मॉडलों के विपरीत, जो केवल एक संख्या देते हैं और कोई स्पष्टीकरण नहीं देते, ये मॉडल दिखाते हैं कि चर कैसे जुड़ते हैं। डॉक्टर उस मानचित्र को देख सकते हैं और कह सकते हैं, "आह, मॉडल सोच रहा है कि रक्तचाप दवा की खुराक को संचालित कर रहा है।"
यह अव्यवस्थित डेटा को संभालता है: यह अस्पतालों में वास्तव में होने वाले अनियमित, "रुक-रुक कर चलने वाले" डेटा के साथ पूरी तरह से काम करता है, बिना इसे किसी नकली ग्रिड में बदलने की आवश्यकता के।
यह स्केलेबल है: यह जटिल गणितीय युक्तियों के कारण, जो समस्या को छोटे, प्रबंधनीय हिस्सों में तोड़ देती हैं, बिना धीमे हुए भारी मात्रा में डेटा (लाखों अवलोकन) को संभाल सकता है।

निष्कर्ष

शोध पत्र का दावा है कि प्रोसेस कन्वोल्शंस (निरंतर समय को मॉडल करने का एक तरीका) को डिफरेंशिएबल स्ट्रक्चर लर्निंग (चरों को जोड़ने वाले नियमों को स्वचालित रूप से खोजने का एक तरीका) के साथ जोड़कर, हम ऐसा AI बना सकते हैं जो न केवल मरीज के भविष्य की भविष्यवाणी करने में सटीक है, बल्कि व्याख्या योग्य (हम इसके तर्क को समझ सकते हैं) और कैलिब्रेटेड (हम इसके आत्मविश्वास के स्तर पर भरोसा कर सकते हैं) भी है।

उन्होंने यह दावा नहीं किया कि यह डॉक्टरों की जगह लेने वाला कोई जादुई इलाज है। इसके बजाय, उन्होंने इसे एक शक्तिशाली, पारदर्शी उपकरण के रूप में प्रस्तुत किया जो क्लिनिशियनों को मरीज के स्वास्थ्य की जटिल, परस्पर जुड़ी कहानी को समझने में बेहतर निर्णय लेने में मदद करता है।

यहाँ शोध पत्र "Differentiable latent structure discovery for interpretable forecasting in clinical time series" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

नैदानिक निर्णय लेने (clinical decision-making) के लिए अनियमित रूप से नमूने लिए गए इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHR) के आधार पर रोगी की स्थिति के भविष्य के घटनाक्रम का पूर्वानुमान लगाने की आवश्यकता होती है। वर्तमान दृष्टिकोणों को व्याख्यात्मकता (interpretability), अनिश्चितता परिमाणन (uncertainty quantification) और स्केलेबिलिटी (scalability) के बीच एक संतुलन बनाने में कठिनाई होती है:

इम्प्यूटेशन-आधारित विधियाँ (Imputation-based methods): अनियमित डेटा को एक निश्चित ग्रिड पर रीसैंपल करने से पूर्वाग्रह (bias) और कम्प्यूटेशनल ओवरहेड उत्पन्न होता है।
डीप लर्निंग (जैसे GNNs, RNNs): हालांकि ये शक्तिशाली हैं, लेकिन इनमें अक्सर सिद्धांतों पर आधारित अनिश्चितता परिमाणन का अभाव होता है और ये "ब्लैक बॉक्स" भविष्यवाणियाँ उत्पन्न करते हैं जिन्हें नैदानिक रूप से समझना कठिन होता है।
मानक गॉसियन प्रक्रियाएँ (Standard Gaussian Processes - GPs): ये सिद्धांतगत अनिश्चितता प्रदान करती हैं, लेकिन अक्सर कार्यों के बीच स्वतंत्रता मानती हैं या निश्चित, गैर-सीखने योग्य निर्भरता संरचनाओं पर निर्भर करती हैं, जो जटिल अंतर-चर (inter-variable) कारण संबंधों को पकड़ने की उनकी क्षमता को सीमित करती हैं।

लेखक एक ऐसा मॉडल विकसित करने का लक्ष्य रखते हैं जो निरंतर समय (continuous time) में कार्य करे, नैदानिक चरों के बीच व्याख्यात्मक निर्भरता संरचनाओं (Directed Acyclic Graphs - DAGs) की खोज करे, साझा रोगी प्रगति पैटर्न (latent pathways) को कैप्चर करे, और कैलिब्रेटेड अनिश्चितता अनुमान (calibrated uncertainty estimates) प्रदान करे।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र दो प्राथमिक मॉडल पेश करता है जो प्रोसेस कन्वोल्यूशन (Process Convolutions) पर आधारित हैं—एक ऐसा ढांचा जो गॉसियन प्रक्रियाओं (GPs) को व्हाइट नॉइज़ द्वारा संचालित एक लीनियर टाइम-इनवेरिएंट सिस्टम के आउटपुट के रूप में परिभाषित करता है।

A. StructGP: इंटर-टास्क ग्राफिकल स्ट्रक्चर

मुख्य अवधारणा: StructGP एक मल्टीवेरिएट व्हाइट नॉइज़ प्रोसेस $w(t)$ को एक मैट्रिक्स-वैल्यूड फ़िल्टर $H(t)$ के साथ कन्वॉल्व करके एक मल्टीवेरिएट GP $Y(t)$ को मॉडल करता है।
डिफरेंशिएबल स्ट्रक्चर लर्निंग: फ़िल्टर मैट्रिक्स को $H(t) = (I + S) \circ L(t)$ $H (t) = (I + S) \circ L (t)$ के रूप में पैरामीटराइज किया गया है, जहाँ:
- $S$ एक स्पार्स (sparse), लोअर-ट्राइएंगुलर मैट्रिक्स है जो इंटर-टास्क निर्भरताओं के डायरेक्टेड एसाइक्लिक ग्राफ (DAG) को दर्शाता है।
- $L(t)$ में सीखने योग्य (learnable) गॉसियन फ़िल्टर $\ell_{vu}$ शामिल हैं।
एसाइक्लिसिटी बाधा (Acyclicity Constraint): यह सुनिश्चित करने के लिए कि $S$ एक DAG का प्रतिनिधित्व करता है, लेखकों ने NOTEARS फ्रेमवर्क को अपनाया है। वे एक स्मूथ कंस्ट्रेंट $h(S) = \text{Tr}(\exp(S \circ S)) - k = 0$ के माध्यम से एसाइक्लिसिटी को लागू करते हैं, जिसे ऑगमेंटेड लैग्रेंजियन (Augmented Lagrangian) विधि का उपयोग करके अनुकूलित किया जाता है।
आंतरिक मानकीकरण (Internal Standardization): प्रत्येक प्रक्रिया के मार्जिनल वेरिएंस को 1 तक सामान्य करने के लिए मॉडल एक कदम अपनाता है, जिससे यह सुनिश्चित होता है कि सीखा गया ग्राफ परिमाण के अंतर के बजाय कंडीशनल इंडिपेंडेंस (conditional independence) को दर्शाता है।

B. LP-StructGP: इंटर-सब्जेक्ट लेटेंट पाथवेज़

मुख्य अवधारणा: रोगियों के बीच साझा प्रगति पैटर्न (जैसे, अलग-अलग रोगी सेप्सिस के समान प्रक्षेपवक्र/trajectories का पालन कर सकते हैं) को कैप्चर करने के लिए, LP-StructGP लेटेंट पाथवेज़ (latent pathways) पेश करता है।
तंत्र (Mechanism):
- साझा लेटेंट मल्टीवेरिएट GPs ( $Q_u$ ) का एक सेट समूह-स्तर के प्रक्षेपवक्रों (trajectories) का प्रतिनिधित्व करता है।
- व्यक्तिगत रोगी प्रक्षेपवक्रों ( $Y_i$ ) को इन लेटेंट पाथवेज़ के मिश्रण के रूप में मॉडल किया जाता है, जिसमें एक विषय-विशिष्ट अवशेष (subject-specific residual) शामिल होता है।
- कपलिंग फिल्टर्स (Coupling Filters): विषय-विशिष्ट फ़िल्टर्स $G_{iu}(t)$ में बीमारी की प्रगति की गति में अंतर को समझाने के लिए एक टेम्पोरल शिफ्ट पैरामीटर $\tau_{iu}$ शामिल है।
- गेटिंग मैकेनिज्म (Gating Mechanism): एक सॉफ्टमैक्स फंक्शन यह निर्धारित करता है कि रोगियों के विशिष्ट लेटेंट पाथवेज़ में होने की संभावना कितनी है।
स्केलेबिलिटी (Scalability): बड़े कोहॉर्ट्स को संभालने के लिए, मॉडल हिल्बर्ट स्पेस गॉसियन प्रोसेस (HSGP) के लिए लो-रैंक एप्रोक्सिमेशन और एक ऑनलाइन कंडीशनल स्यूडो-मार्जनल लाइकलीहुड (online conditional pseudo-marginal likelihood) का उपयोग करता है। यह विषयों को वर्तमान एम्पिरिकल अनुमान के आधार पर सशर्त स्वतंत्र (conditionally independent) मानकर मिनी-बैच ट्रेनिंग की अनुमति देता है।

C. अनुकूलन (Optimization)

प्रशिक्षण (Training): मॉडलों को स्पर्सिटी पेनल्टी ( $\ell_1$ ) और एसाइक्लिसिटी कंस्ट्रेंट्स के साथ नेगेटिव मार्जनल लाइकलीहुड (या LP-StructGP के लिए स्यूडो-मार्जनल लाइकलीहुड) को कम करके प्रशिक्षित किया जाता है।
सॉल्वर (Solver): नॉन-कॉन्वेक्स एसाइक्लिसिटी कंस्ट्रेंट को संभालने के लिए ऑगमेंटेड लैग्रेंजियन दृष्टिकोण के साथ Adam ऑप्टिमाइज़र का उपयोग किया जाता है।
अनुमान (Inference): पोस्टीरियर प्रेडिक्टिव डिस्ट्रीब्यूशन को वुडबरी मैट्रिक्स आइडेंटिटी और GPU पर बैच्ड चोलेस्की सॉल्वर का उपयोग करके कुशलतापूर्वक गणना की जाती है।

3. मुख्य योगदान (Key Contributions)

StructGP: एक निरंतर-समय मल्टी-टास्क GP जो प्रोसेस कन्वोल्यूशन को डिफरेंशिएबल स्ट्रक्चर लर्निंग के साथ एकीकृत करता है, ताकि बिना पूर्व-निर्धारित ग्राफ के इंटर-वेरिएबल निर्भरताओं के स्पार्स और क्रमबद्ध DAGs को स्वचालित रूप से खोजा जा सके।
LP-StructGP: एक विस्तार जो सीधे लेटेंट पाथवेज़ को कोवेरिएंस स्ट्रक्चर में एकीकृत करता है, जिससे मॉडल रोगियों के बीच साझा टेम्पोरल मोटिफ्स (temporal motifs) को सीखने में सक्षम होता है और साथ ही विषय-विशिष्ट परिवर्तनशीलता को भी बनाए रखता है।
स्केलेबल लर्निंग एल्गोरिदम: लो-रैंक एप्रोक्सिमेशन (HSGP) और कंडीशनल स्यूडो-मार्जनल लाइकलीहुड का उपयोग करके एक ऑनलाइन लर्निंग फ्रेमवर्क का विकास, जो मॉडल को हजारों रोगियों और लाखों अवलोकनों वाले डेटासेट तक स्केल करने की अनुमति देता है।
आंतरिक मानकीकरण (Internal Standardization): एक नवीन नॉर्मलाइजेशन स्टेप जो लर्निंग को स्थिर करता है और सुनिश्चित करता है कि खोजा गया स्ट्रक्चर नैदानिक चरों के माप पैमाने (measurement scales) से स्वतंत्र है।

4. परिणाम (Results)

A. सिमुलेशन अध्ययन (Simulation Studies)

ग्राफ रिकवरी: StructGP विश्वसनीय रूप से ग्राउंड-ट्रुथ DAGs को रिकवर करता है, जहाँ कोहॉर्ट के आकार के बढ़ने के साथ स्ट्रक्चरल हैमिंग डिस्टेंस (SHD) शून्य के करीब पहुँच जाता है।
पाथवे रिकवरी: LP-StructGP सटीक रूप से लेटेंट पाथवे असाइनमेंट (उच्च एडजेस्टेड रैंड इंडेक्स) की पहचान करता है और समूह-स्तर और व्यक्तिगत-स्तर की गतिशीलता के मिश्रण को सही ढंग से इन्फर करता है।

B. MIMIC-IV सेप्टिक शॉक कोहॉर्ट ( $n=1,008$ )

अल्पकालिक पूर्वानुमान (6h):
- StructGP ने स्वतंत्र-टास्क बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन किया (औसत RMSE: 0.68 बनाम 0.88)।
- 15 अतिरिक्त इनपुट चरों के साथ, स्ट्रक्चर्ड मॉडल महत्वपूर्ण था, जिसने RMSE को 3.02 (अनस्ट्रक्चर्ड) से घटाकर 0.63 कर दिया और कैलिब्रेशन में सुधार किया (कवरेज 0.96 बनाम 0.84)।
- व्याख्यात्मकता (Interpretability): सीखा गया ग्राफ शारीरिक संबंधों (जैसे, मीन आर्टिरियल प्रेशर में बदलाव के जवाब में नोरेपिनेफ्रिन डोज़ एडजस्टमेंट) को सही ढंग से पहचाना, जो केवल तत्काल हेमोडायनामिक प्रभाव के बजाय क्लिनिकल फीडबैक लूप को कैप्चर करता है।
दीर्घकालिक पूर्वानुमान (6 दिन):
- LP-StructGP ने क्रिएटिनिन और नोरेपिनेफ्रिन के लिए StructGP से बेहतर प्रदर्शन किया (जैसे, क्रिएटिनिन RMSE 0.95 बनाम 1.17)।
- इसने प्रेडिक्टिव कवरेज में सुधार किया (0.94 बनाम 0.91) और सेप्टिक शॉक रिकवरी पैटर्न से संबंधित विशिष्ट लेटेंट पाथवे की सफलतापूर्वक पहचान की।

C. PhysioNet चैलेंज (12k रोगी, 41 चर)

प्रदर्शन: StructGP ने स्टेट-ऑफ-द-आर्ट ग्राफ न्यूरल नेटवर्क GraFITi (MAE $3.50 \times 10^{-2}$ ) के मुकाबले प्रतिस्पर्धी सटीकता (MAE $3.72 \times 10^{-2}$ ) प्राप्त की।
अनिश्चितता: GraFITi के विपरीत, StructGP वेल-कैलिब्रेटेड अनिश्चितता अनुमान प्रदान करता है। जब उच्च-विश्वास वाली भविष्यवाणियों तक सीमित किया गया, तो StructGP ने GraFITi से थोड़ा बेहतर प्रदर्शन किया।
दक्षता: मॉडल ने एक सिंगल GPU पर लगभग 45 मिनट में 5.26 मिलियन अवलोकनों को प्रोसेस किया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य व्याख्यात्मक संभावabilistic मॉडलिंग (interpretable probabilistic modeling) और स्केलेबल डीप लर्निंग के बीच के अंतर को पाटता है।

नैदानिक उपयोगिता (Clinical Utility): स्पार्स, क्रमबद्ध DAGs को उजागर करके, मॉडल केवल ब्लैक-बॉक्स भविष्यवाणियों के बजाय चिकित्सकों को चर निर्भरताओं (जैसे, उपचार में कारण संबंधी फीडबैक लूप) के बारे में कार्रवाई योग्य अंतर्दृष्टि प्रदान करता है।
अनिश्चितता जागरूकता (Uncertainty Awareness): सिद्धांत आधारित अनिश्चितता परिमाणन उच्च-जोखिम वाले चिकित्सा निर्णयों के लिए महत्वपूर्ण है, जिससे चिकित्सक भविष्यवाणियों की विश्वसनीयता का आकलन कर सकते हैं।
सामान्यीकरण (Generalizability): इंटर-टास्क स्ट्रक्चर और इंटर-पेशेंट लेटेंट पाथवे दोनों को सीखने की क्षमता इस फ्रेमवर्क को वास्तविक दुनिया के नैदानिक डेटा की विषमता के प्रति मजबूत बनाती है।

लेखक निष्कर्ष निकालते हैं कि स्ट्रक्चर्ड प्रोसेस कन्वोल्यूशन विद लेटेंट पाथवे, स्व-निरीक्षण संरचना शिक्षण (self-supervised structure learning) के लिए एक आशाजनक दिशा प्रदान करते हैं, जो कच्चे डेटा स्ट्रीम से ठोस चिकित्सा ज्ञान की ओर ले जाते हैं और साथ ही कठोर सांख्यिकीय गारंटी भी बनाए रखते हैं।