使用生成对抗网络进行序列建模的罕见疾病检测
本文介绍了一种针对罕见疾病检测的 Complementary pattern Augmentation(CONAN)框架,该框架结合了对抗训练和最大间隔分类方法,利用自我关注和分层嵌入学习患者模式,并使用互补生成对抗网络(GAN)模型从具有不确定诊断的患者中生成候选阳性和阴性样本来鼓励分类间的最大间隔,并在两个检测任务中获得了较好的性能。
Nov, 2019
本文提出了一个利用深度学习来改善诊断失误率的框架,针对胃肠道癌症的诊断,利用端到端的师生学习方式,采用多类别学生网络来利用训练过的师范模型的类别概率,从而提高困难检测病变的定位并最小化漏检率,模型在两个数据集上都实现了更高的 mAP,并且具有泛化性。
Jul, 2022
本研究提出了一种基于深度半监督学习框架的 ehrGAN 模型来增强由限制的 Electronic Health Records 数据引发的风险预测绩效,并在两个真实的卫生健康数据集上的实验证明该模型可以产生逼真的数据样本,并且在生成数据的分类任务中,该模型较其他基线方法取得了更显著的改进。
Sep, 2017
本研究采用基于元学习的难度感知算法,通过训练大量普通疾病数据集来适应罕见疾病数据,成功实现皮肤镜图像分类,实验结果表明该算法可以在仅有五个样本的情况下迅速适应分类新样本,并具有临床应用潜力。
Jun, 2019
本文研究使用 VGAE 和 C-VGAE 作为无监督的方法,利用图神经网络进行疾病 - 基因关联网络的潜在嵌入表示,进而解决疾病 - 基因预测问题,结果表明 VGAE 和 C-VGAE 方法具有很好的性能
Jul, 2019
通过使用生成对抗网络(GAN)技术,我们开发了一个名为 3DGAUnet 的新型 GAN 模型,用于合成胰腺导管腺癌(PDAC)肿瘤和胰腺组织的逼真的三维 CT 图像,以提高 PDAC 的形状和纹理学习,从而增强了 PDAC 肿瘤的准确性和早期检测的能力。
Nov, 2023
通过使用生成对抗网络进行病理图像的模拟,摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题,将生成的图像和真实图像结合,使用 DCNN 检测肺部 X 光片的五个类别,通过生成的图像均衡数据集,DCNN 的性能得到了提高。
Nov, 2017
采用联邦差分隐私生成对抗网络 (FedDPGAN) 诊断 COVID-19 肺炎,以保护医疗数据隐私,并使用联邦学习技术让各医院合作训练,从而实现隐私保护的同时高效准确地诊断病情。
Apr, 2021