Dec, 2018

Care2Vec:面向体弱儿童自我护理问题分类的深度学习方法

HTML
PDF
TL;DR研究提出了一种名为Care2Vec的新型深度学习方法，以解决自我护理问题的分类和诊断，该方法使用世界卫生组织(WHO)设计的概念框架的现实世界自我护理活动数据集，并在Autoencoders和深度神经网络之间使用混合型无监督和有监督的学习构建的两阶段建模过程，其精度提高了以往传统方法（如决策树和人工神经网络）。
发现论文，激发创造
  • DeepCare：一种用于预测医疗的深度动态记忆模型

    本文介绍了一种名为DeepCare的深度动态神经网络，用于预测医疗结果，其基于医疗记录建模，包括以往病史、当前病情以及将来的分析，表现出了良好的疾病进展建模、干预建议和风险预测的效果。

    Feb, 2016

  • 医学概念的多层表示学习

    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

  • Patient2Vec：长期电子健康记录的个性化可解释深度表示

    本文提出了一种计算框架，称为Patient2Vec，以学习可解释的深度纵向电子健康记录数据表达，并将其应用于实际患者信息以预测未来住院情况，该方法展现出明显的预测性能优势。

    Oct, 2018

  • Snomed2Vec: 面向医疗保健分析的临床知识库的随机游走与Poincaré嵌入

    使用基于图的表示学习方法在 SNOMED-CT 上学习医学概念的嵌入向量，可用于生物医学任务。结果表明，基于 SNOMED-CT 的概念嵌入在概念相似性和患者诊断方面 5-6 倍和 6-20％ 的改进相对于最新的嵌入方法。

    Jul, 2019

  • 医疗健康中的机器学习——系统角度

    该论文强调健康护理作为一个复杂系统，必须通过系统方法，推动机器学习算法的应用，以解决医疗挑战，并充分发挥电子病历的功能。

    Sep, 2019

  • 使用可穿戴运动传感器评估自监督预训练对自动婴儿运动分类的影响

    该研究探讨了如何使用自监督的预训练方法来提高婴儿可穿戴设备的自动化分析的分类准确性，研究表明使用上下文相关的预训练数据可以大大提高分类器性能。

    May, 2023

  • 跨体系结构自监督下的高效医疗表示学习

    在医疗和生物医学应用中，极端的计算要求对采用表示学习构成了重大障碍。本研究提出了一种名为CASS（Cross Architectural - Self Supervision）的创新孪生自监督学习方法，通过协同使用Transformer和卷积神经网络（CNN）进行高效学习，从而克服了现有自监督学习方法在临床实验环境中使用较小批量大小或较短预训练周期时性能降低的问题，并且在四个多样化的医疗数据集上优于现有方法。实验证明，CASS训练的CNN和Transformer在仅有1%标记数据用于微调时平均性能提高了3.8%，在10%标记数据下提高了5.9%，而在100%标记数据下提高了惊人的10.13%。值得注意的是，CASS相比现有最先进方法减少了预训练时间69%，更适合临床实施，并且CASS对批量大小和预训练周期的变化更为稳健，使其成为医疗应用中的机器学习的合适选择。

    Aug, 2023

  • 深度学习在医疗保健中的综述

    通过深入研究深度学习模型在医疗解决方案中的部署，本研究旨在探讨在医疗系统中使用的深度学习方法，包括前沿的网络设计、应用和市场趋势，以及当前未解决的问题和潜在方向。

    Oct, 2023

  • 医学基础模型综述

    基于自我监督方法使用大规模数据集训练的基础模型（FMs）被广泛应用于各个领域，包括医疗保健领域，特别在自然语言处理、医学图像分析、临床大型语言模型和病理组学数据等方面。该综述论文全面概述了FMs在医疗保健领域的历史、学习策略、旗舰模型、应用和挑战，并提供了详细的医疗应用分类，同时讨论了FMs所面临的挑战和未来研究方向。

    Jun, 2024

  • 人工智能在支持医护专业人员和照顾者治疗自闭症儿童中的应用

    本研究通过开发高级算法分析自闭症患儿和非自闭症患儿日常活动中的面部和身体表情，从而研发了基于深度学习的自闭症检测系统，证明Xception和ResNet50V2等人工智能模型在自闭症诊断方面具有高准确性，凸显了人工智能在自闭症诊断、治疗和全面管理方面的变革潜力。

    Jul, 2024