基于时间概率异构多任务学习的临床风险预测
提出了一种基于超网络的方法,使用任务条件参数和多任务预测模型的系数来学习任务特定的预测并平衡多任务学习,将语义任务信息合并到模型中,以解决多任务学习中的干扰和泛化问题,并在真实世界的 MIMIC 数据库上表现出比强基线更好的多任务病人结果预测性能,在限制信息场景及对未见过的诊断类别问题,也能有效地应对。
Sep, 2021
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
该研究提出了利用来自公开可用的激痛医学信息库(MIMIC-III)数据集的四个临床预测基准,旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。
Mar, 2017
探究深度循环神经网络的迁移学习,使用预训练的 RNN 对多变量临床时间序列进行建模,提取通用特征来建立新的任务分类器。结果表明,相比于特定任务的 RNN,使用预训练模型的特征更加稳健且通用,性能更好。
Jul, 2018
我们提出了一种迁移学习方法,通过限制异质领域中生成的特征的分布偏移,捕获与下游任务相关的域不变特征,从而培养出一个统一的域不变编码器,以达到更好的特征表示。在处理有限数据量时,我们提出的模型胜过竞争基线方法,并具有更高的训练收敛率,从而提供了更准确的对新兴大流行病和其他疾病的预测。
Oct, 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
通过时间性影像对临床结果或疾病严重性进行预测,利用自我注意力的 TCN 和自监督的视觉 Transformer 来学习最反映疾病轨迹的表示,并使用最大均值差异损失来校准时间和空间特征的分布以提高预测性能。
Mar, 2022
本文研究了基于深度学习技术的临床终点预测方法,提出了一种用于学习不同类型时间事件的联合表示的新模型,并在真实世界的临床数据上对死亡和异常实验室检测的预测任务进行了实验,证明了我们提出的方法的有效性。
Mar, 2018
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