本研究基于数据时间聚类的不变性，提出了分析多变量临床时间序列数据的模型以及一种数据扩充技术方案，用于规范化深度神经网络中医学预测任务，该方法以评估医疗预测任务为基准，提高了其预测精度。

Apr, 2019

利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对1,608,741例患者的电子病历进行了综合分析，发现ConvAE可以生成导致临床有意义的见解的患者表示形式。

Mar, 2020

该研究介绍了一种基于半监督深度嵌入聚类算法的数据驱动患者亚组的确定方法，该方法利用电子健康记录中的标签信息确定病人亚组，并找到从异质数据中获得的与临床相关的簇，从而有潜力找到不同结果的未诊断患者的新亚组，从而带来改进的治疗。

Dec, 2020

本文介绍了一种基于半监督概率方法的生存数据聚类技术，使用了深度生成模型解决了未知基础变量和被检查的存活时间分布的问题，并在广泛的数据实验中取得了良好的效果和表现。

Jun, 2021

提出了一种混合生存分析方法，结合了区分性和生成性机制，以描述混合模型形式下的生存数据。通过该模型可以实现个体实例的可解释子集聚类、权重学习以及时间预测。

Jan, 2023

本篇研究提出了一种新的深度嵌入解释方法用于患者聚类，以英国生物银行中的2型糖尿病参与者数据为评估标准，展示了对疾病进展模式的临床意义上有意义的见解。

Jul, 2023

本研究使用深度状态空间分析框架，通过对电子健康记录进行时间序列无监督学习，实现了对疾病发展相关的患者潜在状态的学习、可视化和聚类。通过评估癌症患者的时间序列实验室数据，我们成功发现了与预后相关的潜在状态，并通过可视化和聚类分析确定了与每种抗癌药物特征性状态转换期间患者状态和检测项目的时间转变。本框架在捕捉可解释潜在空间方面超越了现有方法，有望增加我们对电子健康记录中疾病进展的理解，有助于治疗调整和预后决策。

Jul, 2023

通过研究对医院入院的最初几个小时进行聚类分析，提取生命体征数据，确定患者表型与病理生理特征及结果，以支持早期临床决策，对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。

Jul, 2023

我们提出了一种监督对比学习框架，通过学习每个时间步长的患者时间序列的嵌入表示来预测患者在随着观察到更多患者数据的过程中感兴趣结果的可能性变化。我们的方法在预测败血症患者的死亡率（MIMIC-III数据集）和追踪认知障碍的进展（ADNI数据集）方面优于现有的基准方法，并且在实验中始终能够正确恢复合成数据集的嵌入结构。

Dec, 2023

在医疗保健领域，通过收集多变量时间序列的患者数据，可以全面了解患者的健康状况。在缺少标签的情况下，可以利用预测模型预测未来值，并且形成潜在的聚类空间。我们比较了两种模型（M AGMAC LUST 和 DGM2），通过使用 Withing 的数据集进行评估，前者聚类整个时间序列，而后者允许个体的群组归属随时间改变（即动态聚类）。

Dec, 2023