Sep, 2020

基于归纳异构图卷积网络的在线疾病自诊断

PDF
TL;DR本研究提出了一种基于电子医疗记录的医疗保健图卷积网络（HealGCN），以为在线用户提供疾病自诊服务，并使用对称检索系统来处理临床信息稀缺以及为冷启动用户提供服务，该系统能够建立一个异构图，以针对疾病诊断提供更好的诊断精度。
healthcaregraph convolutional networkdisease diagnosiselectronic healthcare recordssymptom retrieval system
发现论文，激发创造
  • 基于潜在图学习的疾病预测

    本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

    Mar, 2020

  • HeteroMed: 基于异构信息网络的医疗诊断

    本研究介绍了一种新的基于异构信息网络 HeteroMed 的疾病诊断建模方法，该方法可以更好地在电子医疗记录中处理缺失值和异构数据，并通过关键诊断路径的捕获和联合嵌入来实现更准确的疾病诊断，其实验结果表明，该方法比现有方法在明确的诊断编码和一般疾病群的预测方面表现更好，并且在通过案例研究定性考察临床事件的相似性方面也优于基准模型。

    Apr, 2018

  • 基于时间感知的异构图变换器与自适应注意力合并的健康事件预测

    通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用，使用深度学习方法在疾病风险预测方面取得了早期成功。然而，现有研究对 EHR 数据的潜力未能充分利用，存在着许多关键问题，如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制，本研究引入了一种新型的异构图学习模型，旨在融合疾病领域知识，阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中，并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估，我们的方法在预测准确性和可解释性方面表现出显著提升，为个性化和主动式的医疗管理迈出了实质性的进展。

    Apr, 2024

  • InceptionGCN: 基于感受野的图卷积神经网络用于疾病预测

    本文介绍了一种新的图形领域体系结构，用于基于图形的深度学习用于疾病预测，该体系结构利用不同内核大小的滤波器来构建，特点是定义了几何 “内核模块”，能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果，并提供了在模拟数据的不同输入情况下，常规 GCNs 和我们提出的模型的行为洞见。

    Mar, 2019

  • 入院记录的卷积神经网络用于医学诊断

    本文针对采用电子病历的诊疗信息，提出卷积神经网络模型，从非结构化文本中丝毫不受噪声和复杂性影响地预测出患者的出院诊断，精确率和 F1 分数的性能均优于四个强基线模型，较常见疾病的预测成功率提高了至少 12.7% ，从而为医生诊断判断提供决策支持。

    Dec, 2017

  • 利用图卷积转换器学习电子健康记录的图形结构

    本文研究如何在缺少信息的情况下，利用 Transformer 模型来学习电子健康记录的隐含结构，并提出了一种使用数据统计来指导结构学习过程的图卷积 Transformer 模型。实验表明，该模型在预测任务中比以往方法表现更好，可作为一种有效的 EHR 数据表示学习算法。

    Jun, 2019

  • 多模式医学图像的图卷积网络：方法、架构和临床应用

    本综述论文介绍了基于图卷积网络（GCN）的医学图像分析的最新研究进展，包括放射学和组织病理学数据，讨论了 GCN 在疾病诊断和患者康复中的应用，以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。

    Feb, 2022

  • FD-GATDR：一种使用 EHR 进行医生推荐的联邦去中心化学习图注意力网络

    该论文提出了一种医生推荐系统，采用时间嵌入和异构图注意力网络，重建患者和医生之间的潜在连接，并基于最小化优化模型提出了联邦去中心化学习方法来解决患者数据共享的隐私问题。该基于图的推荐系统在 EHR 数据集上有效地提高了 AUC 达到 6.2％，联邦去中心化算法不仅能够实现虚拟融合中心的性能，而且具有 O（1/T）的收敛速率。

    Jul, 2022

  • RA-GCN: 用于不平衡数据疾病预测问题的图卷积网络

    本文提出了一种用于防止基于图的分类器强调任何特定类别样本的重加权对抗图卷积神经网络（RA-GCN）以解决医学数据集中的类别不平衡问题，并在合成和实际数据集上的实验证明了其优越性。

    Feb, 2021

  • 医疗领域基于辅助文本的协同图学习模型用于事件时间预测

    我们提出了一个基于协作图学习的模型，结合疾病领域知识，协同学习患者和疾病的表示，同时使用了注意力调节策略来整合有用的文本特征，解决了利用深度学习方法在卫生数据中存在的几个关键挑战，证实该模型在两个重要医疗问题中预测表现优于现有最先进模型，具有良好的解释性。

    May, 2021