从电子健康记录（EHR）中预测健康风险是近期感兴趣的话题。深度学习模型通过建模时间和特征交互取得了成功，然而，这些方法在对少量就诊或稀疏记录患者的表现方面，学习到的表示存在不足，导致性能欠佳。受到医生可能将患者与典型患者进行比较并从相似病例中做决策的启发，我们提出了逐步原型网络（PPN），以选择典型患者作为原型，并利用他们的信息来增强给定患者的表示。特别地，我们提出了逐步原型记忆和两个原型分离损失来更新原型。此外，我们引入了一种新的集成方法，以更好地融合来自患者和原型的信息。三个真实数据集上的实验证明了我们模型在所有指标上的改进。为了使医生更好地理解我们的结果，我们开发了一个应用，网址为 http URL。我们的代码已经在此 https URL 上发布。

Dec, 2023

探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

Oct, 2023

介绍了 ProtoPNet，一种深度神经网络架构，该模型通过识别图像的原型部分并将原型部分的证据结合起来，类似于鸟类学家、医生和其他人解决图像分类任务的方式，提供了一定程度的可解释性，并在 CUB-200-2011 数据集和 Stanford Cars 数据集上实现了可比较的准确性。

Jun, 2018

本文探讨了可解释性机器学习在实际医学影像数据自动诊断支持方面的适用性和潜力，尤其是 PIP-Net 原型部分模型，对于骨折检测和皮肤癌诊断的准确性和可解释性进行了评估。

Jul, 2023

通过将可解释的深度学习模型集成到深度主动学习框架中，ProtoAL 方法旨在解决医学图像领域中当前解释性和数据需求方面的挑战，提高 DL 模型在医学领域中的实际可用性，并为数据稀缺情况下的学习提供合适的解决方案。

Apr, 2024

本文提出 MDNet，一种基于计算机视觉和自然语言处理的医学影像诊断模型，它可以自动阅读影像，生成诊断报告，并直接对症状进行图像检索，可视化诊断过程，实现端到端的优化训练，从而显著提高了在膀胱癌影像和报告数据集上的诊断准确率。

Jul, 2017

本文研究了深度学习技术在自然语言处理中是否可以有效用于患者表型特征提取和预测，并与传统 NLP 方法进行比较。结果表明，卷积神经网络是一种性能优良且易解释的深度学习方法，可以有效提高患者表型预测的性能，降低注释复杂度，并自动学习与每个患者表型相关的短语。

Mar, 2017

本研究提出了一种基于 XProtoNet 的胸部放射学全球和局部可解释的诊断方法，通过学习 X 光照片中每种疾病的代表性模式并将其作为原型来进行诊断，尽管需要可解释性的约束条件，但在公共 NIH 胸部 X 光数据集上仍实现了最先进的分类性能。

Mar, 2021

通过原型评估框架 (PeF-C) 定量评估领域知识基础上的原型质量，我们首次系统评估使用我们的 PEF-C 定制的乳腺癌医学图像原型，发现原型质量有待改善以提高相关性、纯度和学习多样性。

Mar, 2024

提出了一种基于超网络的方法，使用任务条件参数和多任务预测模型的系数来学习任务特定的预测并平衡多任务学习，将语义任务信息合并到模型中，以解决多任务学习中的干扰和泛化问题，并在真实世界的 MIMIC 数据库上表现出比强基线更好的多任务病人结果预测性能，在限制信息场景及对未见过的诊断类别问题，也能有效地应对。

Sep, 2021