利用动态贝叶斯网络和神经网络对新冠病毒患者的病情严重程度进行分类
利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。
Jun, 2024
提出了一种称为双向推理网络（BIN）的方法，它可以将多个概率神经网络缝合在一起，以建模变量之间的条件依赖关系，并通过迭代更新变量来进行预测。同时，将 BIN 扩展到了复合 BIN（CBIN），通过自适应平滑优化器的方法，在训练阶段的迭代预测过程中提高了精度和计算效率，并在人工合成数据集和真实数据集上展示了 CBIN 单个模型可以实现最先进的性能，而且在大多数推理任务中比为不同任务专门训练的多个模型获得更高的准确性。
Feb, 2019
本文提出几种候选的分层贝叶斯模型，用于预测单个医院 COVID-19 日住院患者人数，并将其演示在美国马萨诸塞州 8 家医院和英国 10 家医院的公共数据集上，并将其与现有基线方法进行比较。
Apr, 2021
新型冠状病毒变异在全球范围内的传播是 COVID-19 疫情暴发的主要驱动力之一，本研究提出了一种基于图神经网络的变种动态感知模型，能够预测不同国家特定变异株的到达时间及其传播情况，相较于统计建模和物理感知神经网络等传统方法，该模型在回顾性实验中表现出更高的准确性。
Jan, 2024
本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。
Jul, 2023
我们提出了一种新颖的超图卷积网络，可以捕捉隐藏的特征结构，计算个性化的死亡风险预测，评估表明我们的方法在死亡风险预测上优于现有模型，并且几个案例研究的结果证明了构建图网络在决策中提供良好的透明性和稳健性。
Aug, 2023
研究发现，近三分之二的医疗保健贝叶斯网络都集中在四种疾病：心脏疾病、癌症、心理障碍和肺部疾病上。该研究呼吁加强对 BN 的理解和推广，以发挥其在日常医疗实践中带来积极影响的全部潜力。
Feb, 2020
我们应用了一种新颖而强大的计算方法来学习传染参数的概率密度并提供流行病预测的不确定性量化，通过神经网络将 ODE 模型与 2020 年柏林 COVID-19 传播数据进行了校准，实现了比基于马尔科夫链蒙特卡洛 (MCMC) 的采样方案更准确的校准和预测，我们的预测不确定性提供了有意义的置信区间，例如感染人数和住院率，而训练和运行神经网络方案只需要几分钟，而 MCMC 需要几个小时。我们展示了我们的方法在简化的 SIR 传染病模型上收敛到真实后验，同时展示了我们的方法在一个仅有少量可用数据的小型组分中学习复杂模型的能力。
Dec, 2023
利用计算机断层扫描技术，通过采用集成学习策略（包括迁移学习和预训练 ResNet34 和 DenseNet121）和 COVID-19 特定的预处理，结合医疗信息（感染 - 肺比率、患者年龄和性别等），该方法实现了对 COVID-19 感染的检测和预测，AUC 分别为 83.7％和 79.0％，其成果可与目前在该领域中存在的其他方法进行比较。
May, 2023