NIPSNov, 2017

从临床笔记中的无监督患者表征得出可解释的分类决策

PDF
TL;DR使用自编码器模型和段落向量模型，直接从医学记录中学习任务无关的密集病人信息，比较与稀疏表示方法的表现，并利用编码的特征进行解释和筛选
clinical notesautoencoder modeldense patient representationssupervised setupsinput features
发现论文，激发创造
  • 临床记录患者表征学习及其可解释性评估

    该研究通过分别使用堆叠去噪自编码器和段落向量模型来学习临床记录中与任务独立的密集患者表示。进而比较疾病分类等监督学习任务中，密集表示相较于传统的词袋模型的表现以及从医学概念中提取特征的表现。结果表明，密集表示在处理少量数据和缺少强语义信息的任务时有优势。最后，提出的新技术有助于强化模型可解释性。

    Jul, 2018

  • 自编码器在临床记录表示学习中的稀疏性降维适应

    通过使用自动编码器学习算法对稀疏高维数据进行压缩，实现对临床笔记的表征特征空间的稀疏性减少，从而提高分类器的分类性能，最终该分类器在检测患者状况时的准确率可达到 92%，召回率、精确率和 f1-score 均为 91%。此外，理论信息瓶颈框架也被应用于该压缩工作机制和自动编码器预测过程的演示。

    Sep, 2022

  • 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

  • 电子健康记录的深度表征学习以解锁大规模患者分层

    利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析，发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。

    Mar, 2020

  • 使用卷积和堆叠自编码器的无监督表示学习：领域和跨领域特征空间分析

    本文研究了不同的自编码器架构和训练策略，以从图像中学习表征，研究了网络深度和容量对降维和泛化能力的影响，结果表明自编码器特征的分类结果与预训练卷积神经网络一样有辨别能力。以上发现可用于设计跨领域的无监督表征学习方法。

    Nov, 2018

  • 通过无监督时间序列表示学习提高临床预测

    本研究探讨了无监督表示学习在医学时间序列上的应用，结果表明无监督表示学习可以优于端到端监督体系结构，使用序列到序列模型 (Sequence-to-Sequence, Seq2Seq) 的效果最佳，通过第一次在无监督学习的医学时间序列中使用集成注意力机制，实现了预测性 Seq2Seq 模型的最佳表现。

    Dec, 2018

  • 使用自编码器发现患者表型

    使用自编码器创建患者表型的低维嵌入，比较采用连接时间步长的输入的自编码器和递归序列到序列自编码器的性能，通过使用 Beth Israel Deaconess Hospital 的最新 MIMIC III 数据集对近 35,500 名患者进行评估。

    Mar, 2017

  • 基于自编码器的 ICU 临床代码预测

    研究使用 ML 方法对患者的电子健康记录中的临床代码进行自动填充，其中包括使用不完整临床代码和其他临床相关数据来完成此任务，结果表明使用自编码器方法获得最佳表现。

    May, 2023

  • 利用去噪自编码器进行无监督的句子压缩

    本研究通过加入噪声的方式进行了一个摘要任务来训练去噪自编码器从而实现了在不需要配对的语料库的情况下进行句子压缩。使用标准文本摘要数据集的人类评估表明，我们的模型与基于监督学习的语法正确性和意义保留基准相当，不需要目标数据，我们的无监督模型已经学会生成不完美但合理可读的句子摘要。

    Sep, 2018

  • 无监督学习序列数据的分离和可解释表示

    本文提出一种分解的分层变分自动编码器，能够在无监督的情况下从序列数据中学习分离和可解释的表征。该模型基于多尺度信息的分层结构，实现了针对不同潜变量集合的序列依赖先验和序列无关先验。通过在两个语音语料库上的实验，表明该模型能够通过操纵不同的潜变量集合来转换说话人或语言内容，并在说话人验证和自动语音识别任务中优于基线模型。

    Sep, 2017