基于时序卷积神经网络的实验室检测诊断
本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。
Aug, 2016
本研究分析通过卷积神经网络和支持向量机预测疾病，并使用 K-Means 和主成分分析研究了疾病的歧义性，结果表明机器学习可以在疾病早期阶段对疾病进行 98-100% 准确的诊断。异常症状是诊断疾病的良好代理，同时也提高了疾病预测任务的准确性。
Feb, 2023
通过时间性影像对临床结果或疾病严重性进行预测，利用自我注意力的 TCN 和自监督的视觉 Transformer 来学习最反映疾病轨迹的表示，并使用最大均值差异损失来校准时间和空间特征的分布以提高预测性能。
Mar, 2022
本文介绍了一种基于卷积神经网络的深度学习多任务字典学习框架，使用 MSCC 方法学习不同的任务，以预测未来认知临床得分，并在公开的神经影像队列中应用模型进行临床测量预测，取得了优异的结果。
Aug, 2017
本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。
Feb, 2015
本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。
Jun, 2019
基于医学深度学习，本研究提出了两种方法来分析短期和长期的时间发展，通过结合对比学习和时间嵌入以及遮罩和预测潜在帧表示，实现了对生理功能和疾病进展的自动化分析。
Mar, 2024
本文提出了一种高阶卷积 LSTM 模型和一种新的张量列车模块，可以有效地学习视频序列中的长期时空相关性，并通过结合时间上的卷积特征进行预测，通过张量列车分解降低了模型复杂度，取得了广泛应用和数据集上的最佳表现。
Feb, 2020
本文针对采用电子病历的诊疗信息，提出卷积神经网络模型，从非结构化文本中丝毫不受噪声和复杂性影响地预测出患者的出院诊断，精确率和 F1 分数的性能均优于四个强基线模型，较常见疾病的预测成功率提高了至少 12.7% ，从而为医生诊断判断提供决策支持。
Dec, 2017