NIPSDec, 2016

可解释的分类器大规模建模抗生素耐药性

PDF
TL;DR本研究基于 Drouin 等人 (2016) 的相关工作，运用集合覆盖机对抗菌素抗性模型进行高度解释性学习，以及大规模的应用到整个 PATRIC 数据库中，并提出了新的 Kover AMR 平台，用于可视化和解释生成的模型，以期准确预测抗生素表现，根据不同的临床情况，为每个人的治疗计划提供定制服务，从而提高临床结果。
antimicrobial resistancegenome sequencesantibiotic resistanceset covering machineskover amr platform
发现论文，激发创造
  • 抗菌药物耐药性的机器学习

    本文介绍了一个正在进行的案例研究，运用机器学习技术对抗生素抗性进行分析，通过样本大小，分类准确性等因素来评价机器学习技术的优劣，并指出机器学习在确定与抗生素抗性现象相关的基因区域方面取得了成功。此类研究有助于引起 Data-for-Good 社区的注意。

    Jul, 2016

  • 利用机器学习技术鉴定不同皮肤和软组织感染患者的抗生素耐药性

    通过机器学习模型，结合临床和抗生素敏感性测试数据，预测抗生素耐药性，并建立了相关性分析方法

    Feb, 2022

  • 在明确的因果假设下评估真实世界基因分型数据预测抗菌药物耐受性的潜在偏见

    该研究针对细菌基因型 - 表型抗菌药物抵抗性数据进行试验，使用倾向性平衡和混杂变量调整方法处理非随机抽样带来的偏倚，采用提升的逻辑回归和随机森林模型，对抗菌药物抵抗性的预测性能进行评估。结果表明在采样非随机、基因特征与抗药性之间存在关联时，使用该方法可优化预测模型。

    Jul, 2021

  • 运用数据技术应对抗菌药物耐药性：现状、挑战和前进的机遇

    本文综述了使用数据技术（如人工智能、机器学习和数学统计建模等）进行细菌耐药性管理和控制的重要方面，包括监测、预防、诊断和治疗，并讨论了这些技术在全球范围内实施的潜在影响和面临的挑战。

    Jul, 2022

  • 基于多任务图表示的罕见健康记录药物耐药性分析

    采用基于图的模型从医疗事件中提取信息特征，可预测药物耐药性并自动进行类似实验室级别的药物推荐。

    Feb, 2023

  • 利用大型语言模型预测抗菌性能

    通过使用核苷酸序列语言模型和基于 PubMed 文章的文本语言模型，我们提出了一种细调核苷酸序列语言模型和文本语言模型的方法，以及一种 LLM 基础上的数据增强技术和有效结合两个模型的集成方法。我们还提出了一种用于评估模型的基准，在药物抗性类别预测中，我们的方法表现出比核苷酸序列语言模型更好的性能。

    Jan, 2024

  • 基于多模态可解释的数据驱动模型，用于多变量时间序列中的抗菌药物多重耐药早期预测

    通过解释性多模型数据驱动模型，预测和理解 ICU 中的抗菌性多重药物耐药细菌的发生，并提供可解释的预测支持系统。

    Feb, 2024

  • 用于抗菌素敏感性模式预测的时空网络

    本文提出了一种基于时空信息的新型抗生素敏感试验模式预测框架 STAPP，能够有效地利用模式相关性和时空信息对抗生素敏感试验模式进行预测，并且在真实数据集上的实验结果表明其优越性。

    May, 2023

  • 增强抗生素管理：通过自然语言方法改善特征表示

    通过将电子健康记录（EHR）系统与临床决策支持系统结合，将 EHR 数据转化为文本表示，并利用预训练的基础模型来改善抗生素管理，以增加抗生素耐药性预测的可解释性和支持抗生素管理工作。

    May, 2024

  • 基于图形的主动机器学习方法用于生成和选择多样和新颖的抗菌肽

    本篇论文旨在利用一种基于机器学习的框架快速有效地筛选出新的抗菌肽，其中利用了基于循环神经网络和基于图形的过滤器，从而显著减少湿实验的次数和时间成本。

    Sep, 2022