May, 2023

IVP-VAE: 利用初值问题求解器对 EHR 时间序列模型化

HTML
PDF
TL;DR本文提出了一种新方法，它使用连续过程建模时间序列，并通过初值问题求解器直接近似状态演化，以消除循环计算需求，使多状态并行演变，并通过IVP求解器融合编码器和解码器，实现更快收敛速度，并在三个真实数据集上进行实验，获得与其他连续时间对应的相当的外推和分类性能，并获得超过一个数量级的加速。
发现论文，激发创造
  • 神经时序点过程模型用于电子健康记录建模

    研究了医疗资源分配的效率和定制化医疗的发展，使用Temporal Point Process（TPP）来建模EHRs，提出了神经网络参数化的TPPs，经过对合成EHRs和基准数据的评估，表明TPPs在EHRs上明显优于非TPP同行，提出了注意力机制神经TPP，优于现有模型，符合现实世界的可解释性要求，是临床决策支持系统的重要组成部分。

    Jul, 2020

  • 不规则采样时间序列的学习：缺失数据视角

    本文介绍一种基于变分自编码器和生成对抗网络的编码器-解码器框架，用于学习不规则采样的时间序列数据，提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明，该模型在不规则多元时间序列分类的结果上可以比最近的RNN模型表现得更好，同时具有显著更快的训练速度。

    Aug, 2020

  • 使用条件变分自编码器生成长期电子健康档案

    本文提出了一种EHR变分自动编码器(EVA)，用于合成离散EHR的序列和特征，证明了EVA可以产生逼真的EHR序列，并且可以根据特定的疾病条件进行条件编码，从而实现特定疾病的研究。使用250,000多个真实EHR存储库评估了该方法的实用性，在知识渊博的临床医生的实验中表明所生成的EHR序列是逼真的，将真实数据和合成的EHR相结合可能会提高最佳基线的预测性能高达8％。

    Dec, 2020

  • COPER：连续患者状态感知器

    该研究旨在应对电子健康记录中不规则时间序列带来的机器学习算法训练挑战，提出了一种使用神经常微分方程的COntinuous patient state PERceiver模型，被证明在MIMIC-III数据集中具有较好的预测效果。

    Aug, 2022

  • 基于多模态融合的自监督预测编码模型，在细粒度时间尺度下进行患者恶化预测

    本研究提出了一种基于自我监督预测编码和多模态融合的按小时预测死亡率和升压药需要的方法，并通过广泛的实验证明了该方法在远期预测方面的显着性能提高。

    Oct, 2022

  • DuETT: 用于电子健康记录的双事件时间变换器

    本文介绍了一种DuETT架构，它是Transformer模型的一个扩展，为医疗电子病历中的时间序列数据提供了鲁棒的表示。通过对DuETT模型的自我监督的预测任务进行训练，该模型在MIMIC-IV和PhysioNet-2012 EHR数据集的多项下游任务中优于现有的深度学习模型。

    Apr, 2023

  • 使用神经网络求解初值偏微分方程的稳定可扩展方法

    Neural IVP 是基于 ODE 的 IVP 解算器，它可防止神经网络病态，时间复杂度与参数数目线性增长，并提供了解决使用神经网络解决复杂 PDEs 的方案。

    Apr, 2023

  • ContiFormer：用于不规则时间序列建模的连续时间Transformer

    ContiFormer是一种扩展了Transformer关系建模到连续时间领域的模型，将Neural ODEs的连续动态建模能力与Transformer的注意机制相结合，具有优越的建模能力和对于不规则时间序列数据的预测性能。

    Feb, 2024

  • 模拟电子病历的可解释神经时空点过程建模

    基于word2vec和Hawkes过程，提出了一个可解释的事件序列建模框架inf2vec，其中事件影响直接参数化并可进行端到端学习，实验证明了我们模型在事件预测和类型影响学习方面的优越性。

    Apr, 2024

  • 预测扩散模型综合多模态电子健康记录

    通过引入基于扩散的EHR数据生成模型EHRPD来解决电子健康记录数据生成中存在的局限性，并从真实性、隐私性和实用性的角度对其进行实验验证。

    Jun, 2024