Oct, 2017

利用标签间的依赖关系从头开始学习诊断

PDF
TL;DR使用 LSTM 从胸部 X 光片中预测 14 种病理模式，提出并讨论了与临床实践相关的替代评估指标，其结果在 NIH 提供的最大公开胸部 X 光数据集上获得了最新的技术成果。
medical diagnosticsmachine learningmulti-label classificationlstmschest x-rays
发现论文，激发创造
  • 临床报告标注的收益递减

    本文揭示了一种有些反直觉的结论，即相对于非医学领域的 NLP 问题，医学 NLP 模型在小量标记数据的训练下表现出更好的效果，并通过使用最大的公共胸透放射学报告数据集之一的两个固定测试集，在异常分类任务上显示出训练数据大小对模型性能的影响。

    Oct, 2020

  • 基于纵向实验室检验的多任务疾病发作预测

    本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

    Aug, 2016

  • 多任务学习：从多个合成任务中学习医学异常定位

    针对现实场景中实际应用领域不断增多的无泛化的外部分布，我们的新方法利用多个可视化的、不同的、合成异常学习任务进行训练和验证，从而增强了样本的鲁棒性和泛化性，实现了对基于脑部 MRI 和胸部 X 射线的最新方法的超越。

    Jul, 2023

  • 基于胸部 X 射线的长尾、多标签疾病分类研究概述：CXR-LT 挑战的综述

    在医学图像识别中，我们提出了一个长尾多标签疾病分类的问题，并通过一个公开的挑战 (CXR-LT) 提供了一个大规模数据集来解决这个问题。我们总结了表现最好的解决方案的共同主题，并提出了对于长尾多标签医学图像分类的实用建议，最后，我们利用这些观察结果提出了基于视觉语言模型的少标签和零标签疾病分类的前进方向。

    Oct, 2023

  • 学习多个非相互排斥任务，提高固有有序标签的分类能力

    提出一种将分类问题重新表述的方法，使得多个阈值得到同时解决，从而利用多任务学习方法显著提高原分类器性能，从现有数据中有效提取信息。

    May, 2018

  • 重新思考病理学中机器学习模型的评估

    该论文提出了一套实用的机器学习评估指南，旨在应对病理图像应用中存在的各种问题，包括标签变异性、领域偏移、鲁棒性和混淆变量等，以进一步改善患者结果。

    Apr, 2022

  • 训练医学影像分析系统，如同放射科医生

    本文提出了一种基于 “元训练” 的医学图像分析模型训练方法，通过使用选自小型数据集的任务来设计模型，利用教师 - 学生课程学习进行分类，测试结果表明该方法在自动乳腺肿瘤筛查分类方面取得了最佳效果。

    May, 2018

  • 利用大规模多模态 Transformer 进行医学诊断：利用不同的数据进行更准确的诊断

    提出了新的可学习的协同学习方法，用以解决多模态深度学习模型中所存在的模型复杂性升级问题，以及其应用于医学临床数据处理中所面临的扩展性难题，并在三个多模态数据集上展现了其卓越的表现。

    Dec, 2022

  • 训练，学习，扩展，重复

    这篇论文提出了一种递归式的训练策略，在使用非常少的带有像素级注释的训练样本的情况下，通过使用较便宜的图像级标注扩展这个小的训练样本集，完成语义分割的任务，进而应用于颅内出血的分割。

    Mar, 2020

  • 自动 ICD 编码的诊断标签相关性建模

    提出一个两阶段的框架，通过捕捉标签相关性来提高自动 ICD 编码，利用标签集分布估计器和基准预测器来生成每个标签集候选项的概率，并重排序，以解决测量标签相关性的问题。

    Jun, 2021