综合评估医疗机器学习的基准，提出一种基于医学信息志 (MIMIC-III) 的基准，让我们可以直接比较预测性能，并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现，在这些任务上，尽管社区参与度高，但在过去的三年里，几乎没有真正显著的进展。通过我们的元分析，我们发现，深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果，提出未来医学机器学习基准所需的理想特性。

Oct, 2020

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。

Dec, 2015

该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。

Mar, 2017

该论文提出了一种以知识驱动的自动机器学习架构，用于管道和深度特征的合成，旨在使自动机器学习过程可解释，并在管道和特征的合成中利用领域知识。该架构探索了几个创新理念：首先，以统一的方式构建管道和深度特征；其次，通过一个共享的知识系统进行合成，可以交互式地查询要使用的管道操作或计算的特征；最后，合成过程在运行时使用部分解决方案和其在数据上应用的结果来进行决策。进行了两个实验来演示所提议的架构的基本实现功能，并讨论了其优势、权衡以及在自动机器学习中的未来潜力。

Nov, 2023

本文提出了 Wide & Deep learning 方法，通过联合训练宽线性模型和深度神经网络，结合了特征交互的记忆性和泛化性，用于推荐系统并在 Google Play 商店进行了实验验证，结果表明该方法显著提高了移动应用获取量。

Jun, 2016

本文综述了深度学习模型及其在生物信息学和医疗保健领域中的广泛应用，涵盖了不同结构的 DL 模型，并讨论了进行 DL 研究时可能遇到的一些关键挑战。

Feb, 2023

医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。

Apr, 2024

本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。

Mar, 2023

本文回顾和分析了过去十年来电子病历存储数字化信息的激增，以及深度学习技术在医疗信息学上的应用。同时，作者也讨论了目前技术的不足之处，提出了 EHR 基于深度学习未来的研究方向。

Jun, 2017

本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

Oct, 2017