Apr, 2023

医学病理预测：系统综述和提出的方法

PDF
TL;DR本文分析和研究了使用最新技术（如大数据、人工智能、机器学习和深度学习）改善医疗保健的不同方法，提出了基于收集、预处理和聚类医疗数据的一般方法，以在可观的时间范围内预测最常见的病理。
healthcarebig dataartificial intelligencedata miningpredictive models
发现论文，激发创造
  • 个性化医疗中数据处理和利用的人工智能方法

    本文主要介绍了人工智能技术在医学领域中的应用，即基于大数据和机器学习的个性化医疗决策支持，以提供更好的医疗健康支持服务。

    Jul, 2022

  • 通过自然语言处理和深度学习在电子健康数据分析中的进展

    医疗环境中存在大量且多样化的数据，然而仅有少部分文本化电子健康数据被处理和解释，这导致了大数据操作的困难，研究致力于分析医疗领域的术语、自然语言处理和深度学习技术，以期提出相关解决方案。

    Jan, 2024

  • 患者路径建模与挖掘：范围审视

    本综述旨在调查基于患者路径或轨迹的新型研究领域，重点关注路径的表示模型、挖掘技术、分析方法和案例研究，并讨论了采集大量患者的电子医疗数据的挑战。

    Jun, 2022

  • 计算肿瘤病理学中机器学习方法的综述、挑战和前景

    本研究综述了计算病理学在肿瘤筛查、诊断和预后应用方面面临的挑战和前景，给出了从病理和技术角度的图像预处理方法和基于机器学习的方法，以及在乳腺、结肠、前列腺、肺和各种肿瘤疾病场景中应用计算病理学的情况。

    May, 2022

  • 机器学习在医疗领域的应用：现状和未来发展方向

    通过快速处理能力，检测易被忽视的隐藏模式使得机器学习 (Machine Learning, ML) 在今天的医疗系统中不可或缺。本研究的目标是在不同医疗领域简洁有效地收集 ML 应用，并以表格形式提供相关参考文献和描述，以便立即获取必要信息。我们将研究分为五个主要组别：社区层面工作、风险管理 / 预防护理、医疗运营管理、远程护理和早期检测。我们的目标是向人们介绍机器学习在医疗行业的适用性，缩小临床医生对机器学习应用的知识差距，并推动医疗专业人员更多地基于机器学习的医疗系统。

    Jul, 2023

  • 健康 - LLM: 个性化检索增强疾病预测模型

    我们提出了一个名为 Heath-LLM 的创新框架，它结合了大规模特征提取和医学知识权衡评分，与传统的健康管理方法相比，具有三个主要优势，它将健康报告整合到一个大模型中以提供详细的任务信息，使用专业的医学专业知识来调整健康特征的加权得分，并使用半自动特征提取框架来增强语言模型的分析能力，并结合专家见解来提高疾病预测的准确性。我们对大量的健康报告进行了疾病预测实验，结果表明所提出的方法超过了传统方法，并有潜力革命性地改变疾病预测和个性化健康管理。

    Feb, 2024

  • 临床时间序列数据的多任务学习和基准测试

    该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。

    Mar, 2017

  • 机器学习在临床疾病诊断中的重要性：综述

    通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。

    Oct, 2023

  • 评估机器学习在纵向电子医疗数据上的进展

    综合评估医疗机器学习的基准，提出一种基于医学信息志 (MIMIC-III) 的基准，让我们可以直接比较预测性能，并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现，在这些任务上，尽管社区参与度高，但在过去的三年里，几乎没有真正显著的进展。通过我们的元分析，我们发现，深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果，提出未来医学机器学习基准所需的理想特性。

    Oct, 2020

  • 工业系统的诊断和预测的机器学习方法综述：基于工业开源数据

    在预测健康管理领域，本文提供了关于利用 PHM 数据挑战竞赛的开源数据集进行工业系统诊断和预测的机器学习方法的综述，并总结了一个统一的机器学习框架，强调了传统机器学习和深度学习在解决复杂工业任务方面的作用和挑战。

    Dec, 2023