KDD

Advancing Multimodal Fusion on Heterogeneous Medical Data with Hybrid Geometry Attention

利用混合几何注意力推进异构医学数据上的多模态融合

Joy Dhar, Manish Kumar Pandey, Nayyar Zaidi, Chen Chen, Maryam Haghighat, Ferdous Sohel, Puneet Goyal

机构 * Indian Institute of Technology Ropar（印度理工学院罗帕尔分校） ； RoentGen Health（伦琴健康公司） ； Deakin University（迪肯大学） ； University of Central Florida（中佛罗里达大学） ； Queensland University of Technology（昆士兰科技大学） ； Murdoch University（莫道克大学） 纠错

AI总结 针对异构医学数据多模态融合难题，提出CURE框架，通过HyFuse层及相关模块逐步整合模态，有效捕捉跨模态交互，降低计算成本，在多数据集上评估显示其性能显著提升，优于领先方法。

Comments ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Trajectory-Aware Clinical Risk Prediction via Severity-Grounded Knowledge Graphs and Retrieval-Augmented Generation

通过基于严重程度的知识图谱和检索增强生成进行轨迹感知临床风险预测

Kyunghoon Jeon, Youmin Ko, Woohwan Jung, Hyunjoon Kim

机构 * Hanyang University（汉阳大学） ； Korea University（韩国大学） 纠错

AI总结 针对利用EHRs预测临床风险的挑战，提出TRACER框架，通过构建含严重程度信息的知识图谱、检索患者进展路径、提取临床事件及用相似病例增强患者背景来预测风险，在相关数据集实验中相比基线有显著提升。

Comments Accepted to KDD 2026