Jul, 2022

面向计算连续体的智能医疗分布式机器学习

PDF
TL;DR本文探讨了去中心化的分布式账本上机器学习模型对分布式电子个人健康档案进行知识提取的方法，并提出了一个设计概念，能够匿名进行预测性分析，结果表明可降低机器学习时间至 60％，一致性延迟低于 8 秒，适用于各个医疗机构。
electronic personal health recordsdecentralized machine learningdistributed ledgersmedical institutionsknowledge extraction
发现论文，激发创造
  • 机器学习在健康领域的挑战与机遇综述

    该论文阐述了电子病历（EHR）提供数据以回答临床相关问题，EHR 中不完整的标签、供建多个基础病因的疾病和健康人群缺乏等问题给机器学习在临床应用中带来的挑战，并强调了机器学习在医疗保健中发挥作用的机会。

    Jun, 2018

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • Deep EHR: 近期深度学习技术应用于电子病历分析的研究综述

    本文回顾和分析了过去十年来电子病历存储数字化信息的激增，以及深度学习技术在医疗信息学上的应用。同时，作者也讨论了目前技术的不足之处，提出了 EHR 基于深度学习未来的研究方向。

    Jun, 2017

  • 电子健康记录预测建模的最新进展

    对基于电子健康记录数据的深度学习预测模型的最新进展进行系统综述，并讨论了预测建模在医疗保健中的挑战、基准和工具，以及未来研究的方向。

    Feb, 2024

  • 全分散联邦学习掌握电子病历

    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

  • 医疗健康中的机器学习 —— 系统角度

    该论文强调健康护理作为一个复杂系统，必须通过系统方法，推动机器学习算法的应用，以解决医疗挑战，并充分发挥电子病历的功能。

    Sep, 2019

  • 利用联邦学习和差分隐私对电子健康档案进行隐私保护的机器学习

    电子健康记录（EHR）是医疗提供者用来存储患者的医疗记录的电子数据库，其中可能包括诊断、治疗、费用和其他个人信息。机器学习算法可用于提取和分析患者数据以改善患者护理。患者记录包含诸如社保号码和居住地址等高度敏感信息，因此需要使用联邦学习和差分隐私等隐私保护技术来应用于这些机器学习模型。

    Jun, 2024

  • 医疗信息学的联邦学习

    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

  • 基于区块链的可信隐私保护分层集成和联邦学习在医疗保健 4.0 中的应用

    本研究提出一种基于多方计算的安全集成联邦学习与区块链的方法，使异构模型能够在保护用户隐私的前提下协同学习医疗机构的数据，并利用区块链的属性实现数据完整性和审计控制能力。

    May, 2023

  • 重新设计电子健康记录系统以支持发展中国家

    本文提出了一种适用于发展中国家的新型电子健康记录 (EHR) 架构，包括离线解决方案和人工智能应用，以促进 EHR 在偏远和欠发达地区的应用。

    Jan, 2023