基于 Transformer 的慢性肾脏疾病恶化时间预测
该研究介绍了一种基于 Deep AFT Rank-regression 模型的时间到事件预测方法,该模型使用基于 Gehan 排名统计量的目标函数,是 AFT 建模的半参数方法,并无需对存活时间分布进行分布假设。
Jul, 2023
我们的研究旨在开发一种异常检测系统,以识别与预期临床发展不符的偏差。通过分析挪威北部医院信托公司(NHT)获得的 16 个月的生命体征记录,我们采用基于 STraTS 变压器架构的自监督框架来表示时间序列数据。然后,利用各种聚类技术对这些表示进行处理,以探索基于患者临床进展的潜在表型。尽管我们正在进行的研究的初步结果是令人鼓舞的,但它们强调了从患者获得的额外人口统计学信息对方法性能更全面的评估的重要性。
Nov, 2023
这项研究探讨了使用高级深度学习模型(如 LSTM 和基于 transformer 的架构)从 MIT-BIH 数据库预测心率时间序列的方法,结果表明,深度学习模型(尤其是 PatchTST)在多个指标上显著优于传统模型,更有效地捕捉复杂的模式和依赖关系,强调了深度学习在改善患者监测和心血管疾病管理方面的潜力,并提出了实质性的临床益处,未来的工作应该将这些发现扩展到更大、更多样化的数据集和真实世界的临床应用中以进一步验证和优化模型性能。
Jun, 2024
我们提出了一种新颖的生存分析流程,既能解释模型预测结果,又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题,使用 ControlBurn 进行特征选择,并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型电子健康记录数据库预测心力衰竭的风险,该流程实现了最先进的性能并提供了关于心力衰竭风险因素的有趣且新颖的见解。
Oct, 2023
本文介绍了一种基于 Multi-Task Logistic Regression(MTLR)模型和深度学习架构作为核心的新方法,用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard(CoxPH)模型,并且可以帮助企业预测客户购买产品、流失或贷款违约的时间,从而提高回报率。
Jan, 2018
本文介绍了一种基于 Transformer 的 SurvTRACE 模型用于处理医学中处理多个竞争事件的生存分析,并提出了多个辅助任务以更好地利用生存数据训练 Transformer,以及如何通过 SurvTRACE 的可解释注意机制检查协变量相关性和重要性,从而使临床试验设计和新治疗方法的开发更具潜力。该方法在 METABRIC、SUPPORT 和 SEER 数据上进行的实验证明了其全面的优越性。
Oct, 2021
通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用,使用深度学习方法在疾病风险预测方面取得了早期成功。然而,现有研究对 EHR 数据的潜力未能充分利用,存在着许多关键问题,如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制,本研究引入了一种新型的异构图学习模型,旨在融合疾病领域知识,阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中,并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估,我们的方法在预测准确性和可解释性方面表现出显著提升,为个性化和主动式的医疗管理迈出了实质性的进展。
Apr, 2024
该研究提出了一种深度循环生存分析模型,结合了深度学习和生存分析,通过对每个样本的条件概率建模,捕获时间依赖性,预测真实事件发生的可能性并估计被审查数据的生存率,同时不需要假设任何特定形式的事件概率分布,在三个不同领域的实验中,该模型在各种度量标准下明显优于现有解决方案。
Sep, 2018