Jun, 2023

利用数字表型学增强临床决策的反事实解释和预测模型 —— 以精神分裂症为例

PDF
TL;DR本研究提出了一种机器学习系统，通过使用行为数字表型数据预测、检测和解释患有精神分裂症的患者症状的个体变化情况，通过使用变化点算法检测减少的症状，并在模拟持续监测的情况下使用反事实说明作为医疗保健中的纾困措施。
psychiatrymachine learningschizophreniasymptomschangepoint algorithms
发现论文，激发创造
  • 人工智能在精神分裂症预测和诊断中的作用调查

    该综述研究了使用深度学习通过 EEG 信号、功能性磁共振成像 (fMRI) 和扩散磁共振成像 (dMRI) 检测和预测精神分裂症的论文，并对这些研究进行了概述和比较，这一领域取得了重要进展。

    May, 2023

  • 精准精神病学：预测可预测性

    精准精神病学是一种个体化的心理保健方法，其中包括多元分析和机器学习等技术，该论文重点探讨了精准精神病学面临的十项挑战，包括临床结果定义、安慰剂效应和预测模型实施的公平性等问题，提出了从静态概念转向考虑精神健康动态和相关因素的前瞻性研究。

    Jun, 2023

  • 假设干预下的临床结果预测 —— 用表示学习框架进行反事实推理

    本研究提出了一种新的表示学习框架 - 部分概念瓶颈，该框架将反事实解释作为风险模型的嵌入式属性，有助于研究人员和临床医生改进个性化护理，探索干预的假设性差异效应。

    May, 2022

  • 可解释机器学习的疾病轨迹聚类：以术后谵妄表型为例的案例研究

    通过将个性化 POD 风险预测的监督学习与无监督聚类技术相结合，我们提出了一种方法，用于发现潜在的 POD 表型，从而增进我们对 POD 病因的理解并促进针对性的预防和治疗策略的开发。

    May, 2024

  • 公平临床风险预测的反事实推理

    本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。

    Jul, 2019

  • 利用深层预测聚类进行疾病进展的时间表型研究

    本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

    Jun, 2020

  • 超越已知现实：利用反事实解释进行医学研究

    该研究采用反事实解释方法探索医学研究的 “假设场景”，特别关注利用 MRI 特征诊断儿科后颅窝脑肿瘤，并探索反事实的潜在用途并评估其作为医疗研究中的替代方法的可行性和前景。

    Jul, 2023

  • 基于 Transformer 的规范建模方法用于早期精神分裂症的异常检测

    本文介绍如何通过使用深度生成模型实现困难诊断的心理障碍，包括早期精神分裂症，对脑区的遍及性微小变化进行检测，产生了良好的效果，优于基于脑年龄和高斯过程的最近的规范方法。

    Dec, 2022

  • 从深度神经网络中提取知识及其在医疗领域的应用

    本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。

    Dec, 2015

  • 利用反事实分析向医生解释机器学习决策

    本研究提出一种基于变分自编码器的反事实生成方法，以改进机器学习模型在医疗领域中的解释性问题，并生成更加逼真、相关的反事实情景。

    Jun, 2023