从医学序数标签预测连续分数的通用框架
本文提出了一个简单的序列预测框架 Ord2Seq,将有序回归任务转化为序列预测过程,以便细致地区分相邻类别,实验证明细致区分相邻类别能够显著提高性能,并且新方法在四个不同场景中超越了现有最先进方法的表现。
Jul, 2023
本研究调查了应用顺序回归方法对胸部 X 射线片中的疾病严重程度进行分类。我们提出了一个框架,将顺序回归问题分为三个部分:模型、目标函数和分类函数。我们使用 ResNet50 和 ViT-B-16 深度学习模型应用了不同的编码方法,包括独热编码、高斯编码、进度条编码和我们的软性进度条编码。我们表明编码的选择对性能有很大影响,最佳编码方法取决于所选择的 Cohen's kappa 的加权方式,以及所使用的模型架构。我们在 GitHub 上公开了我们的代码。
Feb, 2024
文章提出一种基于排序算法的疾病严重程度评分学习框架(DSSL),可将患者的测量数据转化为与专家评分一致的严重程度分数,将其应用于感染性休克疾病的严重程度评分,得到的分数在排序和早期治疗方面均明显优于现有的临床评分,并且对不同治疗方案的变化具有更好的泛化性能。
Jul, 2015
本文提出了使用排序概率得分(RPS)作为医学图像分级任务的性能度量指标,并展示了该得分的反直觉和可疑行为,并提出了简单的修复方法。通过对四个大规模生物医学图像分级问题进行全面实验,证明了 RPS 是适合概率排序预测的性能度量指标。
Sep, 2023
通过集成精确标签和区间标签的样本来训练鲁棒的序列学习模型,以应对具有成本或可用性限制而训练集中精确标签样本有限而区间标签样本丰富的情况,这为预测帕金森病的进展速度提供了潜力。
Dec, 2023
提出了一种基于层级潜在变量模型的个性化医学方法,该方法能够预测个体疾病过程,提高诊疗效果。将疾病程度描述为连续值,连续时间函数,分享不同粒度观测间的统计力量,使用离线参数学习算法和在线参数学习程序,对硬皮病引起的间质性肺病的疾病过程进行预测,并与现有方法进行比较,获得了显著改进。
Jan, 2016
提出一个两阶段的框架,通过捕捉标签相关性来提高自动 ICD 编码,利用标签集分布估计器和基准预测器来生成每个标签集候选项的概率,并重排序,以解决测量标签相关性的问题。
Jun, 2021
本文提供了一种交互式可视化方法,以支持二元分类器的标定、操作点选择和检验等任务,该方法可以整合到多视图协调系统中,延伸了现有的比较方法,将连续值视为三值(正、不确定、负),并提供了使用案例来展示如何完成关键任务。
Apr, 2022
深度学习模型在识别医学影像疾病分类方面被广泛认可,然而在动态和不断变化的临床环境中,持续学习的需求变得尤为重要,以适应不断涌入的来自不同来源的医学数据,并确保医疗数据的隐私。在本研究中,我们强调利用由专家分类器组成的网络,每次引入新任务时添加新的专家分类器。我们提出了 CTP,一种利用置信分数的任务 ID 预测器,利用分类器的概率分布(logits)在推断时准确确定任务 ID。通过定义分布中的噪声区域并计算置信分数,CTP 相较于其他相关的持续学习方法实现了更好的性能。此外,通过在推断时提供数据的连续性,可以进一步提高 CTP 的性能。
Jun, 2024