Jul, 2022

采用蒸馏技术增强患者大数据风险模型在不同机构之间的可移植性

PDF
TL;DR本研究探讨模型便携性的实际应用性和泛化性，通过两个完全不同的大规模索赔数据集建立了出院后复诊风险预测模型，使用 born-again 神经网络的转移学习方法进行了实验，表明基于 BAN 训练的模型优于仅在一个机构进行数据训练的模型，而且这种改进方法适用于两个研究机构，并且只需要进行一次模型重新训练，为出院后的复诊风险预测提供了更便携而普及的模型转移机制。
发现论文，激发创造
  • 深度循环网络中的知识融合：医院出院不良事件预测

    本文介绍了如何将领域知识与深度学习结合，以预测医院出院后出现的不良事件，包括再住院。我们使用基于自注意力的循环神经网络计算的患者数据表示，与临床相关特征相结合的学习架构进行了广泛实验，并证明了混合方法优于标准机器学习方法。

    Apr, 2021

  • 基于深度学习的 ICU 早期预警的普适性：一项回顾性实证评估

    本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。

    Mar, 2023

  • 基于电子健康记录的可解释深度学习框架用于预测医院再入院情况

    通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

    Oct, 2023

  • 基于迁移学习的跨 EMR 数据集数据分布转移修复方法预测模型

    我们提出了一种迁移学习方法，通过限制异质领域中生成的特征的分布偏移，捕获与下游任务相关的域不变特征，从而培养出一个统一的域不变编码器，以达到更好的特征表示。在处理有限数据量时，我们提出的模型胜过竞争基线方法，并具有更高的训练收敛率，从而提供了更准确的对新兴大流行病和其他疾病的预测。

    Oct, 2023

  • 医疗人工智能中的泛化问题：发展可扩展模型的视角

    医学人工智能算法的泛化水平可以通过建立一个分层三级评估系统来反映，该系统更好地反映了真实医疗情境的多样性，其中用于重新校准模型的目标领域数据可能可用也可能不可用，并且如果可用的话，可能或可能不会系统地提供参考标签。

    Nov, 2023

  • 利用少量数据将机器学习诊断模型适应新的人群：临床神经科学研究结果

    通过加权的实证风险最小化方法，在多个神经影像研究中利用机器学习模型诊断老年痴呆症（AD）、精神分裂症（SZ）和估计脑龄，实现了对数据的泛化和预测，具备较好的鲁棒性。

    Aug, 2023

  • 医疗公平性：分析机器学习对糖尿病患者再入院预测中的差异

    通过比较深度学习、广义线性模型、梯度提升机（GBM）和朴素贝叶斯等模型，我们发现 GBM 在不同人口统计学特征（年龄、性别、种族）下，以 84.3% 的 F1 分数和 82.2% 的准确率准确预测糖尿病患者的住院再入院情况。GBM 在预测中减少了性别和种族之间的差异，其假发现率（FDR） (6-7%) 和假阳性率（FPR） (5%) 较低，且各年龄组（40 岁以下和 40 岁以上患者）的 FDR（4%）保持稳定，表明其精确性和减少偏见的能力。通过展示多种模型的准确度和公平性指标，该研究强调了在医疗保健中谨慎选择机器学习模型以确保准确性和公正性的重要性，从而促进个性化医学并确保公平的机器学习算法，最终减少糖尿病患者不同背景中的不平等，并改善结果。

    Mar, 2024

  • 基于计算机人工智能深度学习技术的疾病预测模型构建研究

    通过研究稳健学习算法并将其应用于传染病风险的预警，本项目提出了一种动态截断损失模型，将传统的互信息隐式权重特征与平均变异特征相结合，通过降低受噪声影响的训练结果引入训练损失的下界和基于采样率的方法，验证了该方法在不同噪声类型下的有效性，并实现了包含标签噪声数据的稳健学习。

    Jun, 2024

  • 医疗保健中的安全稳健机器学习：调查

    介绍机器学习和深度学习技术在医疗保健的应用及相应的安全和隐私挑战，并提出了相关方法以确保医疗保健应用中的安全和隐私保护。

    Jan, 2020

  • 可解释机器学习在 ICU 复诊预测中的应用

    通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

    Sep, 2023