临床预测的时间相关元学习
本文研究了基于深度学习技术的临床终点预测方法,提出了一种用于学习不同类型时间事件的联合表示的新模型,并在真实世界的临床数据上对死亡和异常实验室检测的预测任务进行了实验,证明了我们提出的方法的有效性。
Mar, 2018
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
我们提出了一种元学习方法(FEML),利用来自其他数据集的样本通过对抗学习作为辅助任务来增强目标数据集的时间序列,同时展示了 FEML 可以在数据集之间进行元学习,并通过对目标数据集进行辅助样本的对抗生成学习,改善了预测性能,相较于单一任务学习和来自联合学习、多任务学习和经典预测基准的各种解决方案。
Jul, 2023
本文提出一种基于特征层面不确定性的时间序列异态多任务学习模型,可有效降低在临床风险预测等安全关键应用中的负面影响,并在多项临床风险预测任务中取得较其他深度学习模型明显优势。
Jun, 2020
在大数据和数字医疗领域,电子健康记录(EHR)已成为丰富信息的来源,具有改善患者护理和医学研究的潜力。近年来,机器学习模型不断增多,用于分析 EHR 数据以预测患者未来的健康状况。其中,一些研究主张采用多任务学习(MTL)来共同预测多种目标疾病,以提高预测性能,然而,目前针对 EHR 数据的 MTL 框架存在重要限制,因为它们过于依赖人为专家来识别任务组合以进行联合训练和设计模型架构。为了减少人工干预并改进框架设计,我们提出了一种名为 AutoDP 的自动化方法,它能够同时搜索任务组合和架构的最佳配置。为了解决任务组合和架构包含的庞大搜索空间,我们采用基于代理模型的优化,使我们能够高效地发现最优解。对真实世界的 EHR 数据的实验结果表明了提出的 AutoDP 框架的有效性。它在手工设计和自动化的最先进方法上取得了显著的性能改进,同时也保持了可行的搜索成本。
Mar, 2024
该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法,通过有效利用丰富的健康分子数据和电子健康数据,为现代健康数据科学的应用提供了重要支持,并在基准和真实数据集上得到了显著的性能提高。
Apr, 2018
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熵和不等式优化的任务不可知元学习算法,可以在避免过度适应已有任务和提高元学习器泛化性能方面有效地解决少样本学习问题,并在少量分类和强化学习任务中表现优异。
May, 2018
该研究探讨了转化机器学习在药物发现中的应用和性能。通过利用各种领域的共同属性,TML(一种元学习算法)发展了优于传统模型的组合模型,从而提供了更高的预测准确性、改善的可解释性和更好的泛化能力。我们还探索了不同的机器学习分类器的有效性,其中没有一个分类器表现出明显的优越性,因此考虑到了像随机森林这样的集成分类器。我们的发现表明,随着训练数据集的增加,TML 在超越传统基础机器学习(ML)方面表现出色,因为它能够更好地逼近正确的假设、克服局部最优解,并通过结合不同分类器的能力来扩展可表示函数的空间。然而,这种优越性相对于所应用的重新采样方法而言,Near Miss 由于嘈杂的数据、重叠的类别和非线性类边界而表现较差。相反,随机过采样(ROS)在噪声和离群值的抵抗能力、改善的类别重叠管理能力和适应非线性类边界方面提供了更稳健的性能。
Aug, 2023
通过对 MIMIC-III 数据库中的患者临床事件序列进行分析和测试,我们提出并研究了多种新的事件序列预测模型和方法,旨在更好地调整个体患者和其特定状况的预测。
Aug, 2023