Nov, 2019

通过自适应特征提取和重新校准进行可解释的临床健康状况表示学习

PDF
TL;DR该项研究提出了一种 deep learning-based 的健康状态表示学习模型 AdaCare，能够在多个时间尺度上捕捉生物标志物的长期和短期变化，强化指示健康状态的特征，并提供有效的可解释性和高预测准确率，实验证明 AdaCare 胜过同类方法，通过临床专家验证的可解释性也很有效。
deep learninghealth statusclinical predictionbiomarkersinterpretability
发现论文，激发创造
  • ConCare: 通过捕捉医疗保健背景个性化的临床特征嵌入

    本文提出了 ConCare 方法来处理不规则的电子病历数据并提取特征之间的关系以进行个性化医疗预测。该方法模拟了时间感知分布，进一步通过跨头部去关联来改善多头自我关注，以有效捕获动态特征和静态基线信息之间的相互依赖关系以形成个人健康背景。实验结果表明 ConCare 的有效性，并且由医学专家和医学文献经验证实了 ConCare 提取的医学发现

    Nov, 2019

  • 医疗 AI 校准：朝着可靠且可解释的深度预测模型

    本篇论文提出了一种基于置信度校准的学习方法，能够同时满足模型可靠性和可解释性，通过皮肤镜图像的病变分类问题验证了该方法的有效性，同时还提出了一种全面评估模型可靠性的机制 - Reliability Plots。

    Apr, 2020

  • 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

  • 利用多模态电子病历的标签依赖注意力模型进行疾病风险预测

    本文提出了一种基于标签依赖的注意模型 LDAM 来提高疾病风险预测的可解释性，在利用 Clinical-BERT 编码生物医学有意义的特征和标签的同时，扩展联合嵌入的想法，开发了多模态学习框架，整合了来自医学记录和时间序列健康状态指标的异构信息，并在 MIMIC-III 测试集上进行了实验验证。

    Jan, 2022

  • 自适应特征重要性校准的腹膜透析患者死亡率预测：基于真实世界纵向随访数据的深度学习研究

    我们开发了一个即时、个性化和可解释的死亡预测模型 - AICare，该模型使用电子病历等随访数据，能够明确识别每个患者的关键特征，进而建立健康状态嵌入模型，并在包括腹膜透析和血液透析等临床数据预测任务中达到了良好的预测效果。

    Jan, 2023

  • 可解释的基于深度学习的影像生物标志物的机器学习模型用于阿尔茨海默病的诊断

    机器学习方法在自动早期诊断阿尔茨海默病方面展示了巨大的潜力。本研究提出了一种结合可解释性增强机器（EBM）和基于深度学习的特征提取的框架，以高维成像数据为基础有效识别阿尔茨海默病及认知下降。该框架具有可解释性并通过提供每个特征的重要性来解释决策。研究结果表明，该框架在阿尔茨海默病和认知下降的分类中表现出优异的准确性和面积下曲线（AUC），且显著优于使用体积生物标志物或端到端卷积神经网络（CNN）的 EBM 模型。

    Aug, 2023

  • 利用大型语言模型基于电子健康记录预测阿尔茨海默病的增强风险

    通过利用语言模型为风险预测增添强大的能力，结合传统监督学习方法和大语言模型的决策机制，本研究提出的创新流程通过实际的电子健康记录数据仓库的评估表明有效地提高了预测性能，为改善 ADRD 筛查和早期检测实践带来了希望，并对患者管理策略产生潜在影响，进而改善医疗保健。

    May, 2024

  • 基于计算机人工智能深度学习技术的疾病预测模型构建研究

    通过研究稳健学习算法并将其应用于传染病风险的预警，本项目提出了一种动态截断损失模型，将传统的互信息隐式权重特征与平均变异特征相结合，通过降低受噪声影响的训练结果引入训练损失的下界和基于采样率的方法，验证了该方法在不同噪声类型下的有效性，并实现了包含标签噪声数据的稳健学习。

    Jun, 2024

  • 利用美国军方退伍老兵的纵向电子健康档案中的症状发生情况，提前预测阿尔茨海默病

    使用机器学习方法分析患者的纵向电子健康记录，确定可以更早预测阿尔茨海默病发病的迹象和症状。

    Jul, 2023

  • 利用卷积神经网络和医疗特征嵌入进行风险预测

    本文探索使用深度神经网络模型以及学习的医疗特征嵌入（medical feature embedding）来处理从纵向电子病历数据中提取实用的临床表现（clinical representations）所面临的高维和时间性问题。作者在利用多层卷积神经网络（CNN）进行参数化时成功捕捉到了 EHR 纵向演变的复杂非线性关系，并在处理 EHR 的本地 / 短期时间依赖性上取得了良好的效果，对于失能心力和糖尿病患者的风险预测表现也优于基线模型。

    Jan, 2017