临床预测+医学RAG=结构化EHR建模能力+医学大模型应用能力（五）

第七篇 深度学习进阶7.1 为什么需要深度学习：自动特征交互与嵌入表示7.1.1 从手工特征到表示学习在第六篇中，我们基于手工构建的数百个聚合特征（如最大值、均值、趋势、缺失指示等）训练了 LightGBM 模型，取得了不俗的预测性能。这个过程高度依赖于临床知识：我们凭经验选择了哪些指标重要、如何聚合、怎样构造比例和评分。如果将同样的数据交给一个没有医学背景的数据科学家，他可能只能从所有itemid的原始测量值中胡乱尝试，最终模型也不会太差，但大概率不如精心设计的特征工程。这正是传统机器学习在 EHR 上的缩影：特征工程决定了模型的天花板。而深度学习（Deep Learning, DL）的愿景之一，就是自动从原始或轻度处理的数据中学习有用的表示，减少对人工特征的依赖。通过多层非线性变换，DL 模型能够捕获复杂的特征交互——比如高乳酸与低血压同时出现时的协同致死效应——这在我们手工设计的特征中只能通过穷举组合或依赖树模型的分裂来近似。7.1.2 EHR 深度学习的两条路径针对结构化 EHR 数据，深度学习模型主要沿两条路径发展：时序建模路径