Dec, 2017

入院记录的卷积神经网络用于医学诊断

PDF
TL;DR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。
convolutional neural networktext classificationdischarge diagnosis predictionadmission information from ehrsmedical decision-making
发现论文，激发创造
  • 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

  • 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

  • 使用残差卷积模型从医学纯文本进行多标签学习

    提出了一种卷积残差模型，利用 CNN 对 EHR 数据中的医生笔记进行多标签分类预测，考虑到多个诊断之间的相关性，使用深度残差神经网络捕捉标签关系，并直接结合文本编码。实验结果表明，所提出的卷积残差模型优于现有的基线模型。

    Jan, 2018

  • 使用领域不变卷积神经网络从临床文本中提取关系

    本文旨在探讨在医疗临床记事本上提取关系的问题。作者提出使用卷积神经网络自动学习特征，减少对人工特征工程的依赖，并针对 i2b2-2010 临床关系提取挑战数据集进行了实证研究。结果表明，卷积神经网络可以是在临床文本中提取关系的良好模型，而且不需要专家们定义的高质量特征。

    Jun, 2016

  • 卷积神经网络在医学文本分类中的应用

    研究应用深度卷积神经网络自动对临床文本进行分类，并证明该方法在自然语言处理任务中比多种广泛应用的方法提高约 15% 的准确性。

    Apr, 2017

  • 临床诊断推理的压缩记忆网络

    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。

    Dec, 2016

  • 基于规则特征和知识引导的卷积神经网络临床文本分类

    本文提出一种新方法，将基于规则和基于知识引导的深度学习技术相结合，应用在医学自然语言处理中，以实现疾病分类，该方法包括识别触发短语、使用触发短语预测类别和使用词嵌入和 UMLS 实体嵌入来训练卷积神经网络，实验结果表明该方法优于现有技术水平。

    Jul, 2018

  • 利用卷积神经网络和医疗特征嵌入进行风险预测

    本文探索使用深度神经网络模型以及学习的医疗特征嵌入（medical feature embedding）来处理从纵向电子病历数据中提取实用的临床表现（clinical representations）所面临的高维和时间性问题。作者在利用多层卷积神经网络（CNN）进行参数化时成功捕捉到了 EHR 纵向演变的复杂非线性关系，并在处理 EHR 的本地 / 短期时间依赖性上取得了良好的效果，对于失能心力和糖尿病患者的风险预测表现也优于基线模型。

    Jan, 2017

  • 利用神经注意模型对放射学报告进行分类

    本文提出了一种新颖的神经注意机制，采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告，并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词，证明该模型在医学决策等方面具有应用价值。

    Aug, 2017

  • 如何利用多模态电子病历数据进行更好的医学预测？

    本文提出了一种从医疗电子健康系统中提取伴随临床记录的方法，并使用这些数据综合研究了不同模型和数据利用方法对于更好的医疗任务预测的影响。结果表明，我们的融合模型优于不包含临床记录的最新方法，这证明了我们的融合方法的重要性和临床注意点特征的价值。

    Oct, 2021