MEDIATOR：面向词表无关电子病历建模的离散神经中介表示

深度学习处理EHR的预测能力早已得到验证：把患者全量原始病历统一为FHIR格式后，深度模型无需站点特定的数据整合即可跨中心预测住院死亡、非计划再入院等事件^[1]。但“格式统一”不等于“概念统一”——同一临床概念在不同系统中会以不同本体编码、本地标识、同义词或自由文本出现，而概念规范化长期依赖人工标注语料与词典映射^[2]。近年工作试图缓解这一摩擦：在HPO语料上微调开源大模型可将罕见病表型术语对齐到标准ID，且把同义词纳入训练能明显提升对错拼等扰动的鲁棒性^[3]；CODER则利用UMLS知识图谱的术语与关系三元组做对比学习，把医学知识注入术语嵌入以支持零样本术语规范化^[5]；社交媒体场景同样显示，口语化症状表达要经“识别—归并—映射”流水线才能落到UMLS概念上^[4]。这些方案有个共同前提：存在一个目标词表或本体。

这篇论文（arXiv预印本，未经同行评议，作者为Tong Ding、Caiwei Tian等^[6]）正是要拆掉这个前提。它先给出一个量化痛点：在MIMIC-III上用闭集词表分词器训练的模型，只能用到eICU中13%的事件。作者提出的MEDIATOR是一个本体无关的离散分词器，把任何以文本形式出现的临床概念映射进共享的向量量化码本，从而把EHR概念统一变成开放词表的tokenization，不需要人工映射，也不需要固定词表。其训练信号包括同义监督、富化的概念描述、码元共现与关系图。作为EHR Transformer的token接口，MEDIATOR在20个MIMIC-III任务上把平均AUPRC较此前最强分词器提高4.0分（相对8%），零样本迁移到14个eICU任务时提高8.6分（相对29%），且能使用全部事件；即便在完全相同的输入下，它在操作性任务与亚组死亡任务上仍分别领先1.0和1.9分，说明迁移收益同时来自覆盖面与表示质量。

同编码器对照进一步把问题拆开：域内精度主要由文本编码器驱动，而MEDIATOR自身的学习目标才决定迁移鲁棒性与实体链接质量。相较于已有认识，这一步的推进在于：此前工作要么在记录层面统一数据格式^[1]，要么把术语规范化到MeSH、HPO、UMLS这类固定词表或本体^[2][3][5]，MEDIATOR则把统一动作搬进分词器的离散潜在空间——等价表达塌缩到同一码元，不同概念按医学语义排布，并使跨医院的归因可迁移。

需要保留的审慎是：这是未经同行评议的预印本，证据目前限于MIMIC-III与eICU两个ICU数据库上的回顾性任务；码本对真正未见过的概念、非英语表达或非文本模态如何表现，摘要并未给出答案，这些仍是悬而未决的问题。