May, 2021

利用放射学报告的深度表示进行生存分析，预测心衰患者死亡率

HTML
PDF
TL;DR本文提出一种使用BERT为基础的隐藏层的临床文本协变量来预测患者的生存状况的方法，并证明其在预测方面比预定义特征更加准确，并且在C-index和时间依赖的AUC方面优于之前的模型。
发现论文，激发创造
  • 深度生存分析

    本研究旨在探讨电子健康档案(EHR)的生存分析问题，提出了一种新的Hierarchical generative方法称为Deep survival analysis，该方法可显著优于使用临床验证的Framingham CHD风险评分来区分患者按照冠心病风险的风险等级，同时可扩展处理EHR中出现的异构（连续和离散）数据类型。

    Aug, 2016

  • 用神经文档嵌入对重症监护病房患者死亡风险进行预测

    本研究基于临床笔记的非结构化文本内容提出了一种自动死亡预测方案，通过卷积文档嵌入方法，相较于以往的潜在主题分布或通用的doc2vec嵌入方法，我们在MIMIC-III重症监护数据库上的实证研究表明获得了显著的性能提升，尤其是在术后死亡预测这一困难问题上。

    Dec, 2016

  • 利用医学命名实体和多模态学习提高医院死亡率预测

    本研究旨在探究如何利用医疗自然语言处理技术，将临床文本与结构化临床数据相结合，建立多模态神经网络模型，实现对重症监护室患者住院死亡风险的预测。研究结果显示，相较于基准模型，本模型的AUC值提高了2%。

    Nov, 2018

  • Med-BERT:基于大规模结构化电子病历的预训练上下文化嵌入，用于疾病预测

    Med-BERT是一种基于BERT框架训练的语境嵌入模型，适用于在数据集较小的情况下预测疾病。通过电子病历研究心力衰竭和胰腺癌的预测，表明Med-BERT具有较高的准确性和泛化性能，可以大幅提升深度学习模型的性能和推广医疗人工智能的发展。

    May, 2020

  • 基于临床记录抽取的不同表征模型评估死亡率预测

    本研究基于Transformers预训练的语言表示学习方法，将特定医学记录中的信息提取，映射到标准词汇中，并在医院死亡预测任务中测试不同输入格式的性能，结果表明使用提取的唯一概念和标准名称作为输入可以获得更好的性能。

    Jul, 2022

  • 多模态转换器：将临床记录与结构化电子病历数据融合，可解释的住院死亡率预测

    本论文提出一个新型的多模态变压器，用于融合医疗记录数据和医生的述职记录来预测住院死亡率，并使用可视化方法展示关键的医疗记录和医疗数据特征，进而提高了诊断的可解释性和预测的精度。

    Aug, 2022

  • 可解释的心力衰竭风险预测的生存分析

    我们提出了一种新颖的生存分析流程，既能解释模型预测结果，又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题，使用ControlBurn进行特征选择，并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型电子健康记录数据库预测心力衰竭的风险，该流程实现了最先进的性能并提供了关于心力衰竭风险因素的有趣且新颖的见解。

    Oct, 2023

  • 基于BERT语言模型的标注医学影像报告和信息提取结果的新语料库

    介绍了一个包含609个注释放射学报告的语料库，用于医学影像诊断，利用两种基于BERT的架构，提取事件信息和规范化概念，为二次应用提供结构化的语义表示。

    Mar, 2024

  • RT-Surv：利用大型语言模型构建大规模非结构化电子健康记录，提高放疗后死亡预测的准确性

    本研究解决了传统放疗生存预测模型因依赖结构化数据而缺乏准确性的问题。通过使用大型语言模型对非结构化电子健康记录进行构建，研究发现该方法显著提高了生存预测的准确性，模型的C-index从0.737提高到0.820，展现了更好的可解释性和临床相关性。

    Aug, 2024

  • RT-Surv：利用大语言模型对大规模非结构化电子健康记录进行结构化以改善放疗后的死亡预测

    本研究解决了传统生存预测模型在放疗中因数据结构不足而导致的精度问题。通过使用大型语言模型（LLM）对非结构化电子健康记录进行结构化，本研究显著提高了生存预测的准确性，相关指标的C-index从0.737提升至0.820，显示出在临床预测模型的准确性和可解释性上具有重要影响。

    Aug, 2024