具备时间感知的医疗概念嵌入
我们提出了一个动态嵌入和分词框架,通过学习多模态临床时间序列的时间感知表示,并结合时间交叉注意力,将其整合到滑动窗口关注的多任务 Transformer 分类器中,在预测超过 120,000 例住院手术的九种术后并发症的示例任务中,使用来自美国三家医院和两个学术医疗中心的多模态数据,我们的嵌入和分词框架优于基线方法。
Mar, 2024
使用大规模多模态医疗数据集,本文提出了一种新的 cui2vec 医疗概念词嵌入模型,并通过统计功率法进行了评估,结果表明该模型在大多数情况下相对于之前的方法具有最先进的性能。
Apr, 2018
本研究提出了一种基于电子病历数据的的 Med2Vec 方法,通过学习医学代码和访问的分布式表示形式,利用序列访问顺序和访问内部代码的共现关系提供临床医生可验证的基础, 在关键医学应用中显示出与流行基线(如 Skip-gram、GloVe 和堆叠自动编码器)相比的显着改进。
Feb, 2016
本研究提出了一种概念感知的无监督用户嵌入方法,结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念,用于疾病诊断和病人特征研究等领域,实验证明该方法的性能明显优于现有的无监督方法。
Mar, 2022
本研究提出一个基于领域特定词汇上下文嵌入的临床问题、治疗和测试自动标注临床笔记的模型,使用上下文嵌入模型训练一个双向 LSTM-CRF 模型用于临床概念提取,并在 I2B2 2010 挑战数据集上进行了测试,最终性能优于现有模型 3.4%。
Oct, 2018
本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架,结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示,进而提高了病人相似性的性能。
Feb, 2019
本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法,从而通过时间关系来学习医学概念的表示和病人向量,达到对诊断和治疗的性能优化。
Feb, 2016
应用 Transformer 网络和 BERT 语言模型,将包含多种数据模式的电子病历编入一个统一矢量表示,从而实现了病人就诊数据的高效表示,这种方法在 MIMIC-III ICU 数据集上得到了出色的性能和可泛化性。
Aug, 2019
本研究基于 Transformers 预训练的语言表示学习方法,将特定医学记录中的信息提取,映射到标准词汇中,并在医院死亡预测任务中测试不同输入格式的性能,结果表明使用提取的唯一概念和标准名称作为输入可以获得更好的性能。
Jul, 2022
本研究旨在研究新的语言表示方法(如 ELMo,BERT)在医疗概念提取方面的应用,比较这些方法与传统词嵌入方法(word2vec,GloVe,fastText)的性能表现,并探讨将这些表示方法应用于医疗任务的可能性。研究结果表明,基于大型医学语料库的上下文嵌入方法表现出色,优于现有所有方法。此外,与传统词表示相比,上下文嵌入方法还包含有价值的语义信息。
Feb, 2019