面向数据集分布差异的电子病历数据表征学习方法及系统

本发明涉及面向数据集分布差异的电子病历数据表征学习方法及系统，利用现有疾病的源域数据集预训练源域教师模型，提取源域疾病患者的健康状态表示信息；训练一个领域不变特征提取器作为过渡模型，通过对抗性训练策略对通用特征进行建模，并对私有特征建立独立提取通道，实现不同领域间的特征对齐；将过渡模型的参数迁移到目标域新兴疾病预测模型中，并结合目标域数据进行微调，以实现对新兴疾病的精准预测。通过领域不变特征提取与模型迁移优化，显著提高了模型在不同数据集上的泛化能力和预测精度，能够准确预测患者的临床结果，为医疗决策提供精准支持，为医疗数据分析中的跨领域预测问题奠定可靠基础。