May, 2022

GRU-TV: 基于时间和速度感知的 GRU 模型用于多变量临床时间序列数据的病人表示

PDF
TL;DR本研究提出了一种基于时间和速度敏感的门控循环单元模型 (GRU-TV)，用于连续时间学习临床多变量时间序列数据的患者表征。通过神经常微分方程和速度感知机制，实现了感知相邻记录之间的时间间隔和患者生理状态的变化率。实验结果表明，GRU-TV 模型在计算机辅助诊断任务中表现稳健，尤其是在具有高方差时间间隔的序列上表现良好。
electronic health recordspatient representation learningmultivariate time-series datagated recurrent unit modelneural ordinary differential equations
发现论文，激发创造
  • GRU-ODE-Bayes：稀疏时间序列的连续建模

    提出了一种 GRU-ODE-Bayes 方法来建模真实世界的多维时间序列，该方法包括对神经普通微分方程的连续时间版本和处理不规则数据采样的贝叶斯更新网络，并证明了该方法在医疗保健和气候预测领域的应用中优于现有技术。

    May, 2019

  • 用于多变量时间序列的循环神经网络，含缺失值

    本研究提出一种基于 GRU 的深度学习模型 GRU-D，利用缺失模式中的缺失值及其时间间隔，成功地捕获时间序列中的长期时间依赖关系，提高了时间序列分类任务的预测性能，并为缺失值在时间序列分析中的更好理解和利用提供了有用的见解。

    Jun, 2016

  • 利用非规则多模态电子病历建模改进医疗预测

    本论文通过手工建模和学习内插嵌入，采用分离机制建模不规则的时间序列；采用时间注意力机制，将临床记录的一系列表示为多元不规则时间序列，并采用交织注意机制跨时间步骤进行多模态融合，以整合多模态表示。结果表明，我们提出的方法在单一模态和多模态情景下都优于现有方法，说明了我们方法的有效性和模拟不规则性的价值。

    Oct, 2022

  • 利用多任务门控循环单元从电子医疗记录预测心血管疾病的发病

    本研究提出了一种基于多任务循环神经网络和注意机制的方法，用于预测心血管事件。与标准的临床风险评估模型相比，该模型在预测中风和心肌梗死方面具有更好的性能，并且在短期内的预测效果可以通过使用多任务学习得到提升。同时，该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性，并证明了机器学习技术可以被应用于二级保健。

    Jul, 2020

  • 使用残差专家混合模型学习调整临床序列

    本文提出了一种基于 Mixture-of-Experts 结构的神经网络模型来提升基于电子病历的多变量临床事件预测任务中的预测性能。该模型通过用多个 (experts) RNN 模型覆盖患者亚群来建模患者序列数据的异质性，并通过预定义在基于 GRU 的基本模型上建立残差信号来适应单一基本 RNN 模型的有限预测能力，从而实现对局部事件序列的灵活建模。

    Apr, 2022

  • 多模态电子健康记录的动态嵌入和标记化的时间交叉注意力

    我们提出了一个动态嵌入和分词框架，通过学习多模态临床时间序列的时间感知表示，并结合时间交叉注意力，将其整合到滑动窗口关注的多任务 Transformer 分类器中，在预测超过 120,000 例住院手术的九种术后并发症的示例任务中，使用来自美国三家医院和两个学术医疗中心的多模态数据，我们的嵌入和分词框架优于基线方法。

    Mar, 2024

  • 使用时间图形表示对电子健康记录进行预测建模

    利用深度学习的预测模型，基于电子病历（EHR），在医疗保健领域备受关注。我们提出了一种新颖的时间异构图模型，将病人的 EHR 建模成历史访问节点和医疗事件节点，并利用时间感知访问节点来捕捉患者健康状况的变化，同时通过将时间边特征、全局位置编码和局部结构编码整合到异构图卷积中，捕捉了时间和结构信息。通过对三个真实数据集进行广泛实验，我们证实了 TRANS 的有效性，结果表明我们提出的方法达到了最先进的性能。

    May, 2024

  • 基于时间感知的异构图变换器与自适应注意力合并的健康事件预测

    通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用，使用深度学习方法在疾病风险预测方面取得了早期成功。然而，现有研究对 EHR 数据的潜力未能充分利用，存在着许多关键问题，如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制，本研究引入了一种新型的异构图学习模型，旨在融合疾病领域知识，阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中，并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估，我们的方法在预测准确性和可解释性方面表现出显著提升，为个性化和主动式的医疗管理迈出了实质性的进展。

    Apr, 2024

  • SGRU：用于交通流预测的高性能结构化门控循环单元

    提出了一种名为 SGRU 的结构化门控循环单元，通过结构化 GRU 层和非线性单元以及多层时间嵌入来增强模型的拟合性能，在加利福尼亚四个公开交通数据集上的实验结果表明，该模型的性能优于基线模型，平均改进了 11.7％，18.6％，18.5％和 12.0％。

    Apr, 2024

  • 疾病进展的时间相关概率生成模型

    医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

    Nov, 2023