利用图注意力网络和医学代码，通过定制电子健康记录（EHR）的预训练任务，HealthGAT 模型对 EHR 进行细化嵌入，实现了对复杂医学关系的全面分析，并在节点分类、再入院和诊断分类等下游任务中显示出优越性能。

Mar, 2024

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

本文提出了一种基于联邦学习的医学概念嵌入学习方法，通过使用 MIMIC-IV 数据集比较中心化学习和联邦学习的表现，结果发现联邦学习可以达到与中心化学习相近的性能，并且在平均精度上优于本地模型。同时，文章还证明了预训练掩码语言模型可以提高下一次就诊预测任务的性能。

May, 2023

构建更好、更智能的医疗基础设施是智慧城市的终极目标之一。为了克服临床数据的异构性和易受攻击的特点带来的挑战，我们提出了一个基于深度学习的临床决策支持系统，采用联邦学习范式进行训练和管理，以保证患者隐私的安全，并实现大规模的临床数据挖掘。同时，我们采用了序列到序列模型架构，融合了注意力机制，旨在提供个性化的临床决策支持系统，具有可进化的特性，能够提供准确的解决方案，协助医护人员进行医学诊断。

Jan, 2024

本文介绍了一种在图上进行全面分散联合学习的算法，通过本地更新和节点间通信的交替，实现了在不丢失解决方案优化的情况下显著减少参数通信轮次的目的，数值模拟结果表明该算法与传统方法相比，具有较高的性能优势。

Dec, 2019

通过联邦学习机制，能够保持本地机构中的敏感数据，同时在中央服务器上培训共享全球模型，从而改进卫生保健数据的隐私保护和数据分析，以解决医疗卫生数据碎片化和保密性问题。

Nov, 2019

提出了一种基于 EHR 数据的注意力引导协同决策网络 (ACDNet) 进行药物推荐的方法，ACDNet 利用注意力机制和 Transformer 模型，全面、局部地建模患者的健康状况和药物记录，并利用药物记录与药物表示之间的相似性促进推荐过程；实验结果表明，ACDNet 在 Jaccard、PR-AUC 和 F1 分数等指标上优于最先进的模型，并且消融实验进一步验证了 ACDNet 每个模块的有效性，实证了其在基于 EHR 数据的药物推荐中的实用性。

Jul, 2023

本研究提出了一种基于电子医疗记录的医疗保健图卷积网络（HealGCN），以为在线用户提供疾病自诊服务，并使用对称检索系统来处理临床信息稀缺以及为冷启动用户提供服务，该系统能够建立一个异构图，以针对疾病诊断提供更好的诊断精度。

Sep, 2020

我们提出了一个基于协作图学习的模型，结合疾病领域知识，协同学习患者和疾病的表示，同时使用了注意力调节策略来整合有用的文本特征，解决了利用深度学习方法在卫生数据中存在的几个关键挑战，证实该模型在两个重要医疗问题中预测表现优于现有最先进模型，具有良好的解释性。

May, 2021

我们提出了一种基于图的关注机制模型（GRAM），通过对医学本体的层级信息进行补充，将医疗电子记录 (EHR) 描述成医学本体中的祖先组合形式，并通过自适应关注机制实现对医学本体的解释性学习，提高了医疗预测建模的准确性和解释性。

Nov, 2016