ACLMay, 2023

临床笔记拥有自己的层级结构：基于多级超图神经网络的患者级表示学习

PDF
TL;DR本文提出了一种基于层次结构且充分利用电子病历中的信息进行医院死亡预测的方法：通过一种名为 “TM-HGNN” 的、基于高阶图神经网络的多层次分类方法，结合病历和层次结构信息，有效地提高了预测准确率。
electronic health recordshypergraphneural networktaxonomy-awarein-hospital-mortality prediction
发现论文，激发创造
  • 利用语言模型预训练改进临床病历的层级病人分类

    提出了一种预先训练的层级循环神经网络模型，通过解析最小处理的临床记录，比传统方法更好地处理了医疗信息技术中的出院诊断分类任务，并应用归因技术来确定模型用于进行预测的单词以及其重要性。

    Sep, 2019

  • 电子健康记录与笔记的多模态融合：利用超图和 LLM 集成结构与语义

    提出了一个名为 MINGLE 的新框架，通过融合结构和语义以有效地整合不同类型的 EHR 数据，从而提高预测性能。

    Feb, 2024

  • 医学术语嵌入的分层预训练

    这篇论文介绍了利用自然语言处理和表示学习生成医学术语的嵌入，以更好的预测临床决策和患者轨迹，提出了一个新的医学术语表示模型 HiPrBERT，并使用层次结构数据来训练和提高嵌入效果。

    Jul, 2023

  • 一个语义分层图神经网络用于文本分类

    本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

    Sep, 2022

  • 利用几何深度学习对分层文本进行分类：以临床试验语料库为例

    使用几何深度学习方法将临床试验文件表示为图形，使用选择性图形汇集方法提高了分类准确性，最终在一个包含 360K 份临床试验文件的公共数据库上实现了 0.85 的 F1 分数。

    Oct, 2021

  • 将医学知识图谱结合到大型语言模型中用于诊断预测

    通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

    Aug, 2023

  • 基于语义分解技术的大型语言模型在电子健康记录数据上的学习改进

    本文介绍了 H-BERT，该模型采用完整的图树扩展表示 EHR 中的医疗编码，提高了病患归属感的预测，并创建了相关但临床不同表型的患者的不同表示。

    Nov, 2022

  • UMLS 知识图谱上的多模态图学习

    机器学习在医生对病人的发展趋势获得洞察力方面受到越来越多的关注。我们提出了一种名为多模态 UMLS 图神经网络学习（MMUGL）的新方法，用于使用基于统一医学语言系统的知识图上的图神经网络学习医学概念的有意义的表示。这些表示被聚合表示整个病人就诊情况，然后输入到序列模型中以在病人的多次医院就诊的粒度上进行预测。我们通过整合先前的医学知识并考虑多种模态来提高性能。我们将我们的方法与用于不同粒度上学习表示的现有架构在 MIMIC-III 数据集上进行比较，并展示出我们的方法优于这些方法。结果表明了基于先前的医学知识的多模态医学概念表示的重要性。

    Jul, 2023

  • 基于 Hypernetwork 引导的多任务学习进行患者结果和零样本诊断预测

    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

  • 图神经网络中的信息流：临床分诊案例

    在本文中，我们调查了图神经网络中嵌入信息的流向如何影响知识图谱中链接的预测，并提出了一个将领域知识融入到图神经网络连接性中的数学模型。我们的结果表明，将领域知识融入到图神经网络连接性中比使用相同连接性或允许无限制的嵌入传播能够取得更好的性能。此外，我们还发现负边在预测中起着至关重要的作用，并且使用太多的图神经网络层可能会降低性能。

    Sep, 2023