Jan, 2021

对比学习改善 COVID-19 患者关键事件预测

PDF
TL;DR首次提出对于高度失衡的 EHR 数据和相关 COVID-19 数据分析，对比损失（CL）能够提高交叉熵损失（CEL）的性能，尤其是在机器学习（ML）模型需要大规模、平衡的训练数据以在医疗场景中具有鲁棒性、可泛化性和有效性的情况下，该方法可扩展并用于 EHR ML 工作。
发现论文，激发创造
  • 医学时间序列的事件对比学习

    通过引入基于事件的对比学习（EBCL）方法，本文提出了一种用于学习保留关键指标事件之前和之后的异构患者数据的嵌入的方法，并证明相比不利用关键医学事件周围的时间信息的其他表示学习方法，EBCL 产生的模型在包括 30 天再住院、1 年死亡率和 1 周住院时间的关键后续任务的微调性能更好。

    Dec, 2023

  • FairEHR-CLP：面向多模态电子健康记录的公平感知临床预测中的对比学习

    在保健医疗的高风险领域中，确保预测模型的公平性至关重要。我们提出了一种针对电子健康记录（EHRs）的公平感知临床预测的通用框架 FairEHR-CLP，它通过对比学习的方式在两个阶段操作，利用患者人口统计学、纵向数据和临床记录。这一框架在多个 EHR 数据集和任务上进行了广泛实验，证明了其在公平性和效用方面相对于竞争性基线模型的有效性。它是确保预测性保健模型准确性和公平性的一个进步。

    Feb, 2024

  • 在线临床时间序列多模态对比学习

    利用先进的自监督多模式对比学习技术， 注重临床笔记和时间序列，我们引入了一种损失函数：多模式邻域对比损失 (MM-NCL)，展示了我们方法在线预测任务中出色的线性验证和零样本表现。

    Mar, 2024

  • 邻域对比学习在在线患者监测中的应用

    本文介绍了一种名为邻域对比学习（NCL）的对比学习方法，该方法采用时序数据增强技术，可用于对 ICU 中的患者进行在线监测，与现有方法相比可显著提高预测精度。

    Jun, 2021

  • 基于对比学习的基于电子健康记录的入院死亡风险模型中的填补与预测网络

    通过使用电子健康记录（EHR）数据，基于对比学习模型的插补 - 预测网络预测住院死亡风险，提供患者健康状况的早期警告给医护人员，并解决 EHR 数据不规则性和缺失值的问题。实验表明，该方法在插补和预测任务中胜过当前的最先进方法。

    Aug, 2023

  • 利用时间相关的医学影像进行对比学习：以胸部 X 光肺部分割为例的案例研究

    本研究提出了一种名为 CL-TCI 的对比学习框架，与 MoCo 和 SimCLR 两种方法相结合，利用医学图像中的时间相关性信息，成功地使得在三个胸部 X 射线数据集上的肺部分割结果优于没有任何时间相关性的对比学习基线。

    Sep, 2021

  • 基于自监督表示学习和多图像预测的 COVID-19 预后

    本文使用 self-supervised 学习方法（即 MoCo 方法）实现了以胸部 X 光为基础的 COVID-19 患者恶化预测模型，包括不良事件恶化和氧需求增加两种类型，并提出了可处理多图像序列的新型 Transformer-based 架构，在 96 小时内，模型准确预测了患者的恶化和死亡情况。

    Jan, 2021

  • 通过自我增强和对比学习提高社交媒体文本中的疾病检测

    该研究提出了一种新的方法，将对比学习与语言模型相结合，通过自我增强方法改进模型的表示，并在与各种疾病相关的社交媒体数据集上取得了显著的改进。

    Apr, 2024

  • 对比学习用于转化率预测

    本文提出了一种基于对比学习的 CV R 预测框架，使用大量无标签数据学习更好的数据表示，改善预测性能。通过嵌入掩蔽、虚假否定排除和监督正样本包含等方法，削弱了数据稀疏性的限制，实验证明其在真实世界的转化数据集上具有优越表现。

    Jul, 2023

  • 患者风险进展建模的时间监督对比学习

    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