基于时间依赖型 Cox 生存神经网络的动态预测
基于自动化框架的疾病检测辅助医生对眼科疾病的诊断,通过自适应对比度增强和 Gamma 校正提高眼底图像的质量,使用深度学习的 AMDNet23 系统结合卷积神经网络和短期与长期记忆自动检测老年性黄斑变性疾病。研究收集了来自多个来源的数据集,经过质量评估后应用于实验,结果表明该混合深度模型对 AMD 眼底疾病的检测具有优越性能。
Aug, 2023
该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测,取得了显著的成果。
May, 2024
提出了一种用于预测治疗后视网膜黄斑变性的 OCT 图像的单视角疾病演变网络 (SHENet),通过输入治疗前的 OCT 图像,将其转化为深层特征,然后预测疾病演变过程,最后通过特征解码器生成治疗后的 OCT 图像。SHENet 在预测性能和图像质量方面表现卓越,具有帮助眼科医生预测 nAMD 治疗效果的潜力。
Aug, 2023
DeepSurv 是一种用于建模患者协变量和治疗效果相互作用的 Cox 比例风险深度神经网络,提供个性化治疗建议,表现良好并且可以用于调查病人特征对于失败风险的影响。
Jun, 2016
该研究提出了一种使用时间感知神经常微分方程(NODE)分析疾病进展的新框架。我们引入了一个在自监督学习(SSL)中训练的 “时间感知头”,以利用潜在空间中的时间信息来进行数据增强。与缺乏显式时间集成的传统方法相比,该方法有效地将 NODE 和 SSL 结合,提供显著的性能改进。我们利用 OPHDIAT 数据库展示了我们的策略在糖尿病视网膜病变进展预测中的有效性。与基准线相比,所有的 NODE 架构在 ROC 曲线下面积(AUC)和 Kappa 指标上都取得了统计显著的改进,突显了使用 SSL 启发式方法进行预训练的效果。此外,我们的框架促进了 NODE 的稳定训练,在时间感知建模中经常遇到的挑战中取得了突破。
Apr, 2024
本文提出了将神经网络与 Cox 比例风险模型相结合进行时间到事件预测的新方法。基于嵌套病例对照研究的方法学,提出了良好的损失函数,能够适用于大型数据集,能够拟合比例和不比例的 Cox 模型扩展,并在实际数据集上表现出非常强的竞争力。
Jul, 2019
提出了使用肿瘤动力学神经 - 常微分方程 (TDNODE) 作为一种药理学信息推理神经网络,以便从肿瘤长期大小数据中实现模型发现,并且证明了该方法能够准确地预测患者的整体生存。
Aug, 2023
本文提出了一种基于深度学习和自监督学习方法的新型算法,能够自动预测中间期黄斑部病变眼对未来 6 个月内是否会发展为 nAMD 进行转化的风险,并取得了较好的预测效果,这种自动化的预测方法可以帮助及时治疗和个体化 AMD 管理。
Apr, 2023
基于医学影像的个性化医学,可以准确预测未来个体化临床疾病进展和治疗反应,对于长期、复杂、异质性的无法治愈的疾病(如多发性硬化症(MS))的医疗和药物开发具有巨大影响。本文提出了第一个用于建模疾病进展的连续时间因果框架,利用神经随机微分方程(NSDE)。该因果推断模型以患者的高维影像(MRI)和表格数据为输入,预测潜空间中不同治疗的真实和反事实进展轨迹。NSDE 允许估计高置信度的个性化轨迹和治疗效果。在多中心独家数据集上进行了大量实验,该数据集包括在多个随机临床试验中获得的患者 3D MRI 和临床数据。我们的结果展示了第一个基于不确定性的因果深度学习(DL)模型,可以准确预测未来患者的 MS 残疾发展(如 EDSS)和治疗效果,利用基线 MRI,并且可以发现在临床试验中没有达到临床终点的患者亚组,模型对他们的治疗反应具有高置信度。
Jun, 2024
本文介绍了一种名为 Nnet-survival 的离散时间生存模型,适用于神经网络在医学预测任务中的应用。该模型由 Keras 深度学习框架实现,具有灵活性,能够根据随访时间的不同变化基线风险和输入数据对危险概率的影响。在模拟和实际数据集上的表现优于 Cox-nnet 和 Deepsurv 等已有模型。
May, 2018