深度嵌入解释疾病进展聚类
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
本研究提出了一种概念感知的无监督用户嵌入方法,结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念,用于疾病诊断和病人特征研究等领域,实验证明该方法的性能明显优于现有的无监督方法。
Mar, 2022
阿尔茨海默病是一种进展性的神经退行性疾病,全球有 5000 万人患病。尽管这是一种重大的健康负担,可用于治疗该疾病的方法有限,并且其根本原因仍然不明。我们使用无监督学习技术对来自一组记忆障碍患者的电子健康记录进行特征化分析,以揭示该疾病人群的异质性。通过对医疗代码的预训练嵌入以及基于 Transformer 的临床 BERT 嵌入对患者电子健康记录进行编码,我们确认了亚群体的存在,并讨论了它们的临床意义。
Mar, 2024
本研究介绍了一种基于患者数据的新型患者聚类模型,利用约束低秩逼近的方法,结合患者的临床数据以及数字交互数据(包括浏览和搜索),构建患者个人资料。通过生成非负嵌入向量作为患者低维表示,我们的模型在真实世界的患者数据上进行了评估,综合考虑了聚类和推荐功能,与其他对照组相比,我们的方法在聚类一致性和推荐准确性方面表现出卓越性能。
Aug, 2023
本文介绍了一种新的对比表示学习目标和训练方案,针对临床时间序列。该方法能将高维的医疗记录数据投影到低维的封闭单位球上,以编码几何先验,从而学习患者的死亡风险和器官功能,该方法可用于在线患者监测,并可提供临床医生的决策支持和改进下游机器学习任务的性能。
Apr, 2022
利用基于深度学习的无监督框架从电子健康记录中提取患者表现,为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析,发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。
Mar, 2020
我们提出了一种监督对比学习框架,通过学习每个时间步长的患者时间序列的嵌入表示来预测患者在随着观察到更多患者数据的过程中感兴趣结果的可能性变化。我们的方法在预测败血症患者的死亡率(MIMIC-III 数据集)和追踪认知障碍的进展(ADNI 数据集)方面优于现有的基准方法,并且在实验中始终能够正确恢复合成数据集的嵌入结构。
Dec, 2023
本文提出了一种新的深度学习框架,可以在 instance 和 cluster 级别预测可解释的聚类分配,并在基因组序列、医疗记录或图像等数据上验证了该方法的可靠性和可解释性。
Jun, 2023
使用大规模多模态医疗数据集,本文提出了一种新的 cui2vec 医疗概念词嵌入模型,并通过统计功率法进行了评估,结果表明该模型在大多数情况下相对于之前的方法具有最先进的性能。
Apr, 2018
本文提出了一种同时学习特征表示和聚类分配的深度神经网络方法 —— 深度嵌入聚类(DEC),该方法可将数据空间映射到低维特征空间,并在此优化聚类目标函数,实验结果表明,DEC 在图像和文本语料库方面的表现显著超过现有的最先进方法。
Nov, 2015