AAAIDec, 2016

临床诊断推理的压缩记忆网络

PDF
TL;DR通过利用维基百科作为知识源，提出了一种使用电子健康记录中记录的自由文本医疗笔记进行医学诊断的新模型 —— 紧凑记忆神经网络（C-MemNNs）。在 MIMIC-III 数据集上的实验证明，该模型是预测复杂临床场景下最可能诊断的最佳选择之一。
clinical diagnosiselectronic health recordmemory neural networksknowledge sourcemedical investigation
发现论文，激发创造
  • 入院记录的卷积神经网络用于医学诊断

    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

  • 基于卷积神经网络的电子病历辅助诊断

    本文提出了一种基于卷积神经网络的临床智能决策方法，可以自动从电子病历中提取高级语义信息，然后进行自动诊断，结果表明这种方法是可行和有效的。

    Apr, 2018

  • 重新发现 CNN 在原始电子病历文本编码中的多功能性

    本文利用具有层级结构的卷积神经网络对电子健康记录进行编码，提高临床任务执行的性能和内存利用率，并通过广泛实验给出实际操作指南。

    Mar, 2023

  • 利用语言模型预训练改进临床病历的层级病人分类

    提出了一种预先训练的层级循环神经网络模型，通过解析最小处理的临床记录，比传统方法更好地处理了医疗信息技术中的出院诊断分类任务，并应用归因技术来确定模型用于进行预测的单词以及其重要性。

    Sep, 2019

  • 临床笔记的有效表述

    本研究探讨了使用神经网络和迁移学习来学习临床笔记表示以预测临床事件的有效性，并表明了这种方法对于小型数据集表现良好。

    May, 2017

  • 记忆网络

    本文介绍了一种新的学习模型 - 记忆网络，利用推理组件和长期记忆组件共同学习。这些模型可以用于问答型任务中，长期记忆作为动态知识库，输出为文本响应。在评估中表明记忆网络模型在问答中具有强大的推理能力。

    Oct, 2014

  • 临床笔记拥有自己的层级结构：基于多级超图神经网络的患者级表示学习

    本文提出了一种基于层次结构且充分利用电子病历中的信息进行医院死亡预测的方法：通过一种名为 “TM-HGNN” 的、基于高阶图神经网络的多层次分类方法，结合病历和层次结构信息，有效地提高了预测准确率。

    May, 2023

  • 一个动态深度神经网络用于多模态临床数据分析

    本文介绍了 AdaptiveNet 重复神经网络的体系结构，以处理电子病历的多个事件列表，并应用于风湿性关节炎的疾病进展预测，优于传统基线方法。

    Aug, 2020

  • 深度电子病历：利用医疗记录进行慢性病预测

    本文提出了一种结合了结构化信息和文本医疗笔记的通用多任务框架，用于预测疾病发病率。与传统的基于文本的预测模型相比，我们的方法不需要特定于疾病的特征工程，并且可以处理存在于文本中的否定和数值。在 100 万名患者的队列中，我们的模型表明使用文本的模型优于仅使用结构化数据的模型，并且能够使用文本中的数值和否定，进一步提高预测性能。此外，我们比较了医疗专业人员用于解释模型预测的不同可视化方法。

    Aug, 2018

  • 基于归纳异构图卷积网络的在线疾病自诊断

    本研究提出了一种基于电子医疗记录的医疗保健图卷积网络（HealGCN），以为在线用户提供疾病自诊服务，并使用对称检索系统来处理临床信息稀缺以及为冷启动用户提供服务，该系统能够建立一个异构图，以针对疾病诊断提供更好的诊断精度。

    Sep, 2020