远程监督多任务学习在危重病护理中的应用
本文介绍了一种名为邻域对比学习(NCL)的对比学习方法,该方法采用时序数据增强技术,可用于对 ICU 中的患者进行在线监测,与现有方法相比可显著提高预测精度。
Jun, 2021
在重症监护室内,包括临床测量和临床笔记在内的丰富患者数据可供利用,但其分析也面临许多挑战。本研究提出了一种新颖的方法,利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题,并在数据有限的情况下,在院内死亡预测和表型预测等下游任务中优于基线模型,突显其提升重症监护室数据分析能力。
Dec, 2023
使用 Multiscale Vision Transformer(MViTv2)来 passively 预测 Intensive Care Unit(ICU)中的 Nursing Activities Score(NAS),以自动监控员工工作量。通过分析低分辨率的热成像视频记录,MViTv2 模型以直接和间接的方式预测 NAS,并在预测 NAS 方面表现出较高的准确性。
May, 2024
研究利用深度强化学习策略生成假阳性指标解决远程监督产生的噪声,进而将它们分配为负面样本以解决误报问题,实验表明该方法显著提高了远程监督方法的性能。
May, 2018
该论文提出了一种基于联盟博弈理论的模型,该模型考虑了特征之间的相互依赖关系,以确定与误报有关的显著预测因子,从而提高了分类准确性。该方法在 PhysionNet 的 MIMIC II 数据库中的模拟结果显示出卓越的性能,这项工作主要解决了重症监护室误报率问题。
Dec, 2015
通过基于深度特征的高维统计建模,以减少虚假报警的数量,提出了一种方法不可知的弱监督的 a-contrario 验证过程,并结合像素和对象级别的评估指标对六种方法和多个数据集中的序列进行了评估,实验证明该方法能够显著减少像素和对象级别上的虚假报警。
Jul, 2023
本文提出了一种新方法,利用视频帧的时间连续性,通过重新分配图像色彩通道来改善病人监测中出现的假象对监测数据的影响,从而实现病人监测的自动化和信息化。
Jun, 2023
利用先进的自监督多模式对比学习技术, 注重临床笔记和时间序列,我们引入了一种损失函数:多模式邻域对比损失 (MM-NCL),展示了我们方法在线预测任务中出色的线性验证和零样本表现。
Mar, 2024