本研究提出了一种新的时间事件预训练框架，解决了3D医学成像模型在捕捉疾病相关生物标志物时缺乏时间上下文的问题。通过利用纵向电子健康记录进行大规模时间监督，显著提升了8个基准任务的预测性能。

该研究提出了一个逐步扩展解释时间事件发生的框架，通过建模和学习优化规则内容和权重，以提高事件序列的似然性。研究使用连续优化方法和神经搜索策略，在医疗数据集上取得了有前景的结果。

本文提出了一个逐步扩展解释性时间逻辑规则集的框架，用于解释时间事件发生。通过时间点过程建模和学习框架，优化规则内容和权重，提高事件序列的似然性。算法通过更新规则集权重增加似然性，并搜索和包含新规则。提出了神经搜索策略克服搜索挑战，生成新规则内容。在医疗数据集上评估了该方法，取得了有前景的结果。