GRAM:基于图注意力模型的医疗表示学习
利用图注意力网络和医学代码,通过定制电子健康记录(EHR)的预训练任务,HealthGAT 模型对 EHR 进行细化嵌入,实现了对复杂医学关系的全面分析,并在节点分类、再入院和诊断分类等下游任务中显示出优越性能。
Mar, 2024
本文介绍了 H-BERT,该模型采用完整的图树扩展表示 EHR 中的医疗编码,提高了病患归属感的预测,并创建了相关但临床不同表型的患者的不同表示。
Nov, 2022
本文提出了一种基于标签依赖的注意模型 LDAM 来提高疾病风险预测的可解释性,在利用 Clinical-BERT 编码生物医学有意义的特征和标签的同时,扩展联合嵌入的想法,开发了多模态学习框架,整合了来自医学记录和时间序列健康状态指标的异构信息,并在 MIMIC-III 测试集上进行了实验验证。
Jan, 2022
该论文提出了一种医生推荐系统,采用时间嵌入和异构图注意力网络,重建患者和医生之间的潜在连接,并基于最小化优化模型提出了联邦去中心化学习方法来解决患者数据共享的隐私问题。该基于图的推荐系统在 EHR 数据集上有效地提高了 AUC 达到 6.2%,联邦去中心化算法不仅能够实现虚拟融合中心的性能,而且具有 O(1/T)的收敛速率。
Jul, 2022
本文提出了一种新颖的神经注意机制,采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告,并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词,证明该模型在医学决策等方面具有应用价值。
Aug, 2017
利用深度学习的预测模型,基于电子病历(EHR),在医疗保健领域备受关注。我们提出了一种新颖的时间异构图模型,将病人的 EHR 建模成历史访问节点和医疗事件节点,并利用时间感知访问节点来捕捉患者健康状况的变化,同时通过将时间边特征、全局位置编码和局部结构编码整合到异构图卷积中,捕捉了时间和结构信息。通过对三个真实数据集进行广泛实验,我们证实了 TRANS 的有效性,结果表明我们提出的方法达到了最先进的性能。
May, 2024
通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用,使用深度学习方法在疾病风险预测方面取得了早期成功。然而,现有研究对 EHR 数据的潜力未能充分利用,存在着许多关键问题,如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制,本研究引入了一种新型的异构图学习模型,旨在融合疾病领域知识,阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中,并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估,我们的方法在预测准确性和可解释性方面表现出显著提升,为个性化和主动式的医疗管理迈出了实质性的进展。
Apr, 2024
本文系统地概述了图神经网络在医疗保健领域中的应用,包括功能连接、解剖结构和基于电信号的分析,并讨论现有技术的局限性和未来研究的方向。
May, 2021
本研究提出了基于深度注意模型的高风险心血管疾病预测模型,对单纯的高血压患者病史序列进行预测,通过比较双向门控循环单元模型和一维卷积多层模型,实验结果表明该模型的分类精度优于传统模型,并且具有更好的性能表现。
Nov, 2017
本文研究如何在缺少信息的情况下,利用 Transformer 模型来学习电子健康记录的隐含结构,并提出了一种使用数据统计来指导结构学习过程的图卷积 Transformer 模型。实验表明,该模型在预测任务中比以往方法表现更好,可作为一种有效的 EHR 数据表示学习算法。
Jun, 2019