使用机器学习方法分析患者的纵向电子健康记录，确定可以更早预测阿尔茨海默病发病的迹象和症状。

Jul, 2023

阿尔茨海默病（AD）是最常见的神经退行性疾病，但目前的可用治疗方法仅限于停止疾病进展。此外，由于该疾病的异质性，这些治疗方法的有效性并不保证。因此，能够在早期阶段确定疾病亚型至关重要。我们提出了一个多模态框架，使用早期指标如图像、遗传学和临床评估来对早期阶段的 AD 患者进行亚型分类。同时，我们建立提示并使用大型语言模型（如 ChatGPT）来解释我们模型的发现。在我们的框架中，我们提出了一个三模态共同关注机制（Tri-COAT），以明确学习跨模态特征关联。我们提出的模型优于基线模型，并提供了支持已知生物学机制的关键跨模态特征关联的洞察。

Jan, 2024

阿尔茨海默病是一种进展性的神经退行性疾病，全球有 5000 万人患病。尽管这是一种重大的健康负担，可用于治疗该疾病的方法有限，并且其根本原因仍然不明。我们使用无监督学习技术对来自一组记忆障碍患者的电子健康记录进行特征化分析，以揭示该疾病人群的异质性。通过对医疗代码的预训练嵌入以及基于 Transformer 的临床 BERT 嵌入对患者电子健康记录进行编码，我们确认了亚群体的存在，并讨论了它们的临床意义。

Mar, 2024

老年痴呆症是一种以认知障碍和记忆损失为特征的进行性神经障碍。本文旨在探索多种模态及其融合方法，提高早期诊断和干预老年痴呆症的效果。

Oct, 2023

本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

Jun, 2020

利用变压器编码器模型来表征纵向患者数据的重要性，以预测阿尔茨海默病（AD）的进展。我们的模型 LongForMAD 利用包含多模态数据的患者访问序列中嵌入的全面时间信息，提供对疾病进展的更深入理解，比仅基于单次访问数据获得的理解更有效。我们在两个患者群体（认知正常和轻度认知障碍）的随访五年内进行了经验分析。实验结果显示，结合更长时间的患者病史的模型可以胜过仅依赖当前信息的模型，这表明更深入的历史背景对于提高未来 AD 进展的预测准确性至关重要。我们的研究结果支持在临床环境中利用纵向数据来增强 AD 的早期检测和监测。

May, 2024

OpenClinicalAI 是首个在复杂不确定的临床环境中动态制定诊断策略并提供诊断结果的端到端模型，通过耦合深层多动作增强学习（DMARL）和多中心元学习（MCML）来完成开放式识别并取得比现有模型更优秀的性能和更少的临床检查，为将 AD 诊断系统嵌入当前医疗保健系统提供机会。

Jul, 2023

通过引入一种新的正则化方法，我们提出了一种预测阿尔茨海默病进展的方法，旨在保持疾病风险随时间递增的单调性，同时保留预测准确性。

Mar, 2024

通过利用语言模型为风险预测增添强大的能力，结合传统监督学习方法和大语言模型的决策机制，本研究提出的创新流程通过实际的电子健康记录数据仓库的评估表明有效地提高了预测性能，为改善 ADRD 筛查和早期检测实践带来了希望，并对患者管理策略产生潜在影响，进而改善医疗保健。

May, 2024

通过使用人工神经网络和支持向量机作为分类器，以及主成分分析作为特征提取技术，这篇论文研究了基于机器学习的方法在阿尔茨海默病检测和分类中的性能，并表明这种组合方案在准确度和优势方面取得了显著成果。

Apr, 2024