本研究提出了基于深度注意模型的高风险心血管疾病预测模型，对单纯的高血压患者病史序列进行预测，通过比较双向门控循环单元模型和一维卷积多层模型，实验结果表明该模型的分类精度优于传统模型，并且具有更好的性能表现。

Nov, 2017

本研究利用深度神经网络实现一个临床信息提取工具，该工具可以从原始的临床笔记和病理报告中标注事件跨度及其属性，并通过使用时间卷积神经网络和多层感知器来提高性能。

Mar, 2016

本文提出了一种名为 KnowAugNet 的多源医学知识增强药物预测网络，通过多级图对比学习框架充分捕获医疗代码之间的多样化关系，结合医学本体图和构建的医学先验关系图，输入顺序学习网络以捕捉医学代码的时间关系，从而达到预测患者药物的目的。

Apr, 2022

该研究提出了一种新的多模态神经影像关注机制的卷积神经网络结构，MNA-net，用于预测在 10 年内正常认知个体是否会发展为轻度认知障碍或阿尔茨海默病。通过使用注意机制形成 MRI 和 PET 图像的共享表示，MNA-net 在 OASIS-3 数据集上进行了测试，并具有 83% 的准确率，80% 的真阴性率和 86% 的真阳性率，相比之前的工作准确率和真阴性率分别提高了 5% 和 10%，这些结果表明了该模型在预测认知衰退方面的潜力和通过融合不同神经影像模态的关注机制来改进预测的能力。

Dec, 2023

本文提出了一种时空相关性关注网络模型（TSCAN），通过设计的注意力机制模型，可以有效地从临床数据和时间中提取关键的临床指标，从而达到更精确的预测结果，同时还可以用于改善治疗方法。

Jun, 2023

提出了基于注意力掩蔽的对比事件网络（AMCEN），通过局部 - 全局时间模式对未来事件进行两步预测，以更准确地推理时态知识图谱中的事件，从而解决数据集中新事件和重复事件之间不平衡影响推理准确性的问题。在 AMCEN 网络中，设计了历史和非历史注意力掩蔽向量，以控制对历史和非历史实体的注意偏向，从而减轻不平衡。提出了局部 - 全局消息传递模块，全面考虑和捕捉多跳结构依赖和局部 - 全局时间演变，深入探索不同事件类型的潜在影响因素。使用对比事件分类器将局部 - 全局时间模式纳入对比学习，更准确地分类事件。因此，AMCEN 通过对比事件分类的结果细化预测范围，并利用基于注意力掩蔽的解码器最终确定特定结果。在四个基准数据集上的实验结果突出了 AMCEN 的优越性，特别是在 Hits@1 方面的显著改进，证明 AMCEN 可以更精确地预测未来事件的发生。

May, 2024

本文提出一种将图神经网络和时间点过程结合的新模型，用于连续时间动态图上的事件预测，并将事件预测问题分解为三个条件概率建模，实现了在大规模图上的高效预测，实验结果表明该模型在准确性和训练效率方面均具有优越性。

May, 2022

我们提出了一种名为 Multi-scale Cross Perceptron Attention Network (MCPA) 的 2D 医学图像分割模型，通过融合全局特征和局部上下文信息来克服 UNet 架构在捕捉长距离依赖方面的挑战，同时引入 Progressive Dual-branch Structure 来处理图像的语义分割。实验结果表明，我们的 MCPA 模型取得了最先进的性能。

Jul, 2023

本文介绍了一种实际上应用的病人分流系统的操作组件。通过对德文医生笔记的学习，使用了一种基于注意力机制的卷积神经网络模型，实现了对病人紧急性的评估和提供了最恰当的医疗建议以及时间。此外，一种检测警告症状的方法也被介绍。

Sep, 2018

提出了一种基于历史对比学习的事件预测模型 Contrastive Event Network (CENET)，利用历史和非历史信息来区分最具潜力的匹配实体，并使用二元分类器生成布尔掩码以指示相关实体的搜索空间，采用基于掩码的策略生成最终结果，实验结果表明 CENET 在事件预测方面明显优于现有方法。

Nov, 2022