Jul, 2023

通过解耦潜在表示辅助临床决策的稀缺治疗

PDF
TL;DR对于 COVID-19 患者的治疗决策仍然存在争议，本研究提出了针对个体化治疗分析的一种新方法，即 TVAE，它通过建模和预测病人的治疗需求和治疗效果，克服了治疗选择偏差和治疗案例不足等挑战。实验结果表明，TVAE 在预测 COVID-19 数据集中的倾向分数和事实结果方面优于现有的治疗效果模型，并在合成的 IHDP 基准数据集上表现出色。
发现论文，激发创造
  • 基于变分自编码器的连续处理效应估计的解耦表示

    本文提出了一种利用变分自编码器（DRVAE）实现剂量响应曲线估计的新方法，通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子，从而在连续治疗情景下平衡分解的混淆因子，以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明，我们的模型优于当前的最先进方法。

    Jun, 2024

  • 可解释的深层模型用于心脏再同步治疗反应预测

    在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

    Jun, 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

  • 因果动态变分自编码器用于纵向数据的对因回归

    在精确医学、流行病学、经济和市场等多个领域中，估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法，结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略，准确估计反事实回应和捕捉纵向数据中的潜在异质性。我们的模型在最新技术模型上展现出卓越性能。

    Oct, 2023

  • 稀有事件建模的变分分离

    提出了一种基于极值分布和变分去解耦的方法，用于在高度不平衡的分类问题中学习罕见事件和提高临床决策支持系统的性能。该方法在合成研究和实际临床数据集上具有显著的性能优势，包括 COVID-19 毒性预测。

    Sep, 2020

  • SAVAE：利用变分贝叶斯自编码器进行生存分析

    通过使用深度学习技术中的变分自动编码器，本研究提出了一种名为 SAVAE 的新方法，用于生存分析及相关领域，能够适应复杂、高维、异构以及包含缺失和截尾数据的场景，并表现出稳健性和稳定性。同时，该方法还能够进行数据插补，并通过潜变量推断生成合成患者数据。

    Dec, 2023

  • 基于解缠的因果效应变分自编码器的反事实公平性

    本文提出了一种名为 Disentangled Causal Effect Variational Autoencoder（DCEVAE）的方法，该方法利用因果推断和去除嵌入式敏感信息的方法对公平分类问题进行了改进，在生成对照组示例的同时成功区分了与干预相关但无因果关系的变量和由干预引起的信息。此外，DCEVAE 还提供了公平性正则化，减少信息损失生成自然对照图像。

    Nov, 2020

  • 低成本心脏血液动力学不稳定性检测的多模态变分自编码器

    利用低成本的胸部 X 光和心电图模态，结合大规模未标记数据的预训练方法，我们提出了一种新颖的多模态变分自编码器（CardioVAE_X,G），以实现对心脏血流动力学不稳定性（CHDI）的无创预测，在预测 CHDI 方面显示出有希望的性能，对相关的临床特征解释上也表现出色，从而支持临床决策。

    Mar, 2024

  • 用于推荐系统中偏好理解的因果分离变分自编码器

    本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法

    Apr, 2023

  • 为推荐学习分离表示

    研究复杂的推荐系统中的用户行为数据所涉及到的潜在因素，提出了基于 VAE 的 “MACRo-mIcro Disentangled Variational Auto-Encoder” 的方法，该方法通过对高级概念和低级因素的分离，可以实现更好的推荐系统性能和更好的用户体验。

    Oct, 2019