基于医学深度学习，本研究提出了两种方法来分析短期和长期的时间发展，通过结合对比学习和时间嵌入以及遮罩和预测潜在帧表示，实现了对生理功能和疾病进展的自动化分析。

Mar, 2024

本文介绍了一种基于多分辨率卷积神经网络的方法，从未经规则检测的稀疏实验室数据中进行多种疾病的早期检测，我们的实验表明，通过卷积学习的时间特征明显比通常用于早期疾病诊断的基准更具预测能力 。

Nov, 2015

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

本文提出了一种多级时间卷积网络（MS-TCN），可以用于手术阶段识别，具有层次化预测细化和因果扩张卷积的特点。本文的方法经过多组数据集的评估，并在胆囊手术视频中得到成功应用。

Mar, 2020

我们提出了一种时间等变对比学习方法，通过引入时间诱发的转换来捕捉纵向成像过程中的变化，该方法在大规模纵向数据集上优于现有的等变对比方法，用于预测中间年龄相关性黄斑变性（AMD）转为先进型湿型 AMD 的进展。

May, 2024

本研究通过设计渐进式增强模块（PEM）和创建时间多样性损失（TD Loss）两种方法，以解决将 2D CNN 应用于视频分析中出现的重复和冗余信息利用问题，并在 Something-Something V1 和 V2 等基准时间推理数据集上取得 2.4％和 1.3％的性能改进，同时在大规模数据集 Kinetics 上也 witness 了超过基于 2D-CNN 的现有技术的性能提升。

Jul, 2020

该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

May, 2024

该研究提出了一种使用时间感知神经常微分方程（NODE）分析疾病进展的新框架。我们引入了一个在自监督学习（SSL）中训练的 “时间感知头”，以利用潜在空间中的时间信息来进行数据增强。与缺乏显式时间集成的传统方法相比，该方法有效地将 NODE 和 SSL 结合，提供显著的性能改进。我们利用 OPHDIAT 数据库展示了我们的策略在糖尿病视网膜病变进展预测中的有效性。与基准线相比，所有的 NODE 架构在 ROC 曲线下面积（AUC）和 Kappa 指标上都取得了统计显著的改进，突显了使用 SSL 启发式方法进行预训练的效果。此外，我们的框架促进了 NODE 的稳定训练，在时间感知建模中经常遇到的挑战中取得了突破。

Apr, 2024

通过使用神经 ODE 和 SDE 模拟疾病进展的图像流场，ImageFlowNet 框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

Jun, 2024

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