电子健康记录中的不确定性建模：一种贝叶斯深度学习方法
研究在医学上，使用其他深度神经网络模型方法来捕捉模型的不确定性，以确定模型决策是否在个体患者上具有一定程度的可靠性，同样通过贝叶斯嵌入，RNN 模型可以更有效地捕获模型的不确定性，研究分析模型不确定性受各种输入特征以及患者亚组的影响。
Jun, 2019
使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。
Jan, 2018
本文介绍了如何使用贝叶斯建模和预测不确定性来减少误判和检测出领域外的医疗样本，通过一个贝叶斯神经网络应用于 MIMIC-III 数据集，展示了它在 ICU 患者的死亡风险预测中防止潜在误差和可靠地确定领域外患者的作用，证明了贝叶斯预测不确定性在高风险环境下机器学习模型可靠性的重要性。
Jun, 2019
采用 AI 进行医疗决策仍面临伦理和安全方面的问题。研究表明常用的深度学习方法对数据漂移过于自信，却未能在临床应用中可靠地识别异常样本，暴露了其可靠性不足的问题。存在着更加严格或内生于已知数据点的方法的需求，例如使用基于核的技术。
Jan, 2024
本研究提出了一种替代贝叶斯 NN 的简单实现方法，其能够产生高质量的预测不确定性估计，并在分类和回归数据集上进行了实验以证明这一点。此外，研究还评估了在已知和未知数据分布下的预测不确定性，并证明该方法能够在超出分布的样本上表现出更高的不确定性，同时在 ImageNet 上证明了该方法的可扩展性。
Dec, 2016
利用鲍式神经网络在分类预测中进行每次预测的 Monte Carlo dropout 估计不确定性，基于数据和模型的不确定性给出有拒绝策略的 ECG 分类，从而帮助医生识别不确定的病例，并提供更为准确的诊断。
Feb, 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
深度神经网络在风险决策中的应用受到广泛关注，已在医学、金融、制造和质量控制等领域取得广泛应用。本文提出了一种数学框架，用于量化深度神经网络模型的预测不确定性，特别针对含有离散特征变量的表格数据集。通过对结核病患者在治疗过程中的预测进行案例研究，结果表明在一定风险水平下，我们能够识别出风险敏感的情况，这些情况容易因为预测器中的误差而被错误分类。与蒙特卡洛丢弃法相比，我们提出的框架更加关注误分类的情况。我们的提出的深度学习不确定性量化框架可在存在离散预测误差的应用中支持基于风险的决策。
Oct, 2023