Dec, 2015

从深度神经网络中提取知识及其在医疗领域的应用

PDF
TL;DR本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。
electronic healthcare recordscomputational phenotyping researchdeep learninginterpretable mimic learningclinical decision making
发现论文，激发创造
  • 知识蒸馏提高深度神经网络的可解释性

    使用知识蒸馏技术将深度神经网络转换成决策树，以同时实现较好的性能和可解释性，并比基准决策树模型获得显著更高的精度，在 TensorFlow 平台上实现对大数据集的可扩展性。

    Dec, 2018

  • 将黑盒模型精馏为可解释模型以实现有效的迁移学习

    本文介绍了如何使用可解释性模型进行 AI 模型的迁移学习，通过将深度神经网络分解成可解释的浅层模型，然后使用人类可解释概念构建了一组混合模型以实现针对未知领域的高效微调，最终使用半监督学习中的伪标签技术来在目标领域学习概念分类器并进行微调。在大规模胸部 X 射线分类数据集上评估了模型。

    May, 2023

  • 对于患者表型，规则模型和深度学习模型的比较

    本文研究了深度学习技术在自然语言处理中是否可以有效用于患者表型特征提取和预测，并与传统 NLP 方法进行比较。结果表明，卷积神经网络是一种性能优良且易解释的深度学习方法，可以有效提高患者表型预测的性能，降低注释复杂度，并自动学习与每个患者表型相关的短语。

    Mar, 2017

  • 利用深度学习发现科学图像数据的可解释模型

    通过使用可解释的模型，我们研究如何从复杂图像数据中得出科学洞见，并通过实现解缠表示学习、稀疏深度神经网络训练和符号回归等方法，对复杂图像数据形成可解释的模型进行评估，以及探索这些可解释模型在揭示潜在生物现象方面的用途。

    Feb, 2024

  • 组织病理学中的安全数据共享图像提炼

    通过使用深度学习技术和数据集蒸馏方法，我们构建了一个小型合成数据集，其中包含最具信息量的人可读的合成图像，用于进行下游分类模型训练，并获得适用于实际应用的性能表现。

    Jun, 2024

  • 基于电子病历的计算表型自然语言处理

    文章综述了自然语言处理在电子健康记录领域的应用，重点介绍了计算表型学方法，包括基于关键词搜索和基于规则的系统等算法，以及监督式机器学习模型、深度学习和非监督式学习等最近受到关注的算法。同时文章指出在病历中特征关系的处理、模型可解释性和推广性等方面仍有待解决的问题。

    Jun, 2018

  • 利用深层预测聚类进行疾病进展的时间表型研究

    本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

    Jun, 2020

  • 电子健康记录的深度表征学习以解锁大规模患者分层

    利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析，发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。

    Mar, 2020

  • 通过黑盒知识蒸馏的深度流行病学建模：COVID-19 的准确深度学习模型

    本文介绍了一种基于深度学习的黑盒知识蒸馏方法，用于对疾病传播进行准确和高效的预测，通过案例分析证明了该方法在有限观测数据条件下可以准确预测感染病例，具有较低的计算成本。

    Jan, 2021

  • 药物发现中的可解释深度学习

    本文旨在揭示预测分子性能和生物活性的神经网络是如何生成并理解隐藏于模型中的学习表示的。我们提出了一种解释神经元如何被用作分类器的方法，用以确定具有药效或毒性结构的成分，从而为化学、药理学和生物化学领域提供新的视角与重要的知识。此外，我们还提出了一种从模型中提取新型药效或毒性结构的方法，并证明这些结构与文献中的发现是一致的。通过这些可解释的知识，我们能更好地开发和设计新的药物分子，同时理解当前方法的失败和成功。

    Mar, 2019