本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

Aug, 2016

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

综合评估医疗机器学习的基准，提出一种基于医学信息志(MIMIC-III)的基准，让我们可以直接比较预测性能，并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现，在这些任务上，尽管社区参与度高，但在过去的三年里，几乎没有真正显著的进展。通过我们的元分析，我们发现，深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果，提出未来医学机器学习基准所需的理想特性。

Oct, 2020

利用保险数据，通过构建双向 LSTM 神经网络，本研究成功预测了医院的所有诊断病例中患者 30 天再次入院的风险。与随机森林分类器的结果相比，LSTM 模型的性能显著提高，证明了序列预测在该问题中的重要性。同时，加入了 30 天的历史数据后，模型的性能也有显著提高，提示历史诊疗记录的重要性。

Jun, 2022

本文提出使用带有四个模块的神经网络分析病人旅程的疾病预测。通过将时间间隔作为辅助信息，建立了前瞻式的病人旅程的潜在进展模式，其中短期相关性建模并贡献于病人旅程的本地先验生成，并在MIMIC-III数据集上展示了更高的预测准确性。

Jul, 2022

通过使用开源临床大型语言模型（LLMs）和基于BERT的模型进行细化调整，本研究证明在没有标记训练数据的情况下，可以从真实世界的病理报告中提取病理肿瘤-淋巴结-转移（pTNM）分期信息。研究发现LLMs在肿瘤（T）分类方面仍然表现不佳，但通过适当的提示策略，它们可以达到与转移（M）分类相当的性能，并在淋巴结（N）分类方面表现出更好的性能。

Apr, 2024

利用机器学习和可解释预测的方法，提供对因脓毒症症状患者的重症监护室ICU入院的能力，通过综合仪表盘显示患者的健康轨迹、预测结果和相关风险，提供了改进预测准确性和可解释且可操作的见解，成为危重患者医疗决策支持的有价值工具。

May, 2024

通过使用神经ODE和SDE模拟疾病进展的图像流场，ImageFlowNet框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

Jun, 2024

本研究针对网格搜索在时间管理上的挑战，提出了一种启发式三阶段机制，以优化乳腺癌转移风险预测的深度学习模型。通过实施甜点网格搜索和随机网格搜索策略，该机制显著提高了模型预测性能，提升了5年、10年和15年乳腺癌转移风险的预测能力，分别提高了18.6%、16.3%和17.3%。

Aug, 2024

本研究针对网格搜索在时间管理上的挑战，提出了一种启发式三阶段机制，以优化低预算网格搜索的运行时间。研究结果表明，通过实施该机制和甜点网格搜索（SSGS）以及随机网格搜索（RGS）策略，乳腺癌转移的风险预测性能显著提升，5年、10年和15年的风险预测分别提高了18.6%、16.3%和17.3%。

Aug, 2024