利用医疗概念丰富无监督用户嵌入
使用大规模多模态医疗数据集,本文提出了一种新的 cui2vec 医疗概念词嵌入模型,并通过统计功率法进行了评估,结果表明该模型在大多数情况下相对于之前的方法具有最先进的性能。
Apr, 2018
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
本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架,结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示,进而提高了病人相似性的性能。
Feb, 2019
本研究提出一个基于领域特定词汇上下文嵌入的临床问题、治疗和测试自动标注临床笔记的模型,使用上下文嵌入模型训练一个双向 LSTM-CRF 模型用于临床概念提取,并在 I2B2 2010 挑战数据集上进行了测试,最终性能优于现有模型 3.4%。
Oct, 2018
本研究提出了一种基于电子病历数据的的 Med2Vec 方法,通过学习医学代码和访问的分布式表示形式,利用序列访问顺序和访问内部代码的共现关系提供临床医生可验证的基础, 在关键医学应用中显示出与流行基线(如 Skip-gram、GloVe 和堆叠自动编码器)相比的显着改进。
Feb, 2016
本文提出使用语义嵌入方法,将原始、杂乱的临床数据直接与下游学习架构耦合,以实现最小化预处理。我们从捕捉和编码数据表示中的复杂数据依赖性的角度考虑这一步骤,而不是在模型中实现,该方法允许使用快速,轻量级和简单的模型进行下游处理,对于没有机器学习专业知识的研究人员非常有用。我们通过三个典型的临床预测任务证明了高度压缩的嵌入数据表示捕获了大量有用的复杂性,尽管在某些情况下,压缩并非完全无损。
Feb, 2018
该研究采用无监督词嵌入和序列特征来提取临床自由文本中的临床概念,通过主动学习框架来进一步减少手动注释工作量,实现了较高的有效性和标注效率节约。
Jul, 2016
本文介绍了一种新的对比表示学习目标和训练方案,针对临床时间序列。该方法能将高维的医疗记录数据投影到低维的封闭单位球上,以编码几何先验,从而学习患者的死亡风险和器官功能,该方法可用于在线患者监测,并可提供临床医生的决策支持和改进下游机器学习任务的性能。
Apr, 2022