Jul, 2023

CohortFinder：用于数据驱动的生物医学图像队列划分的开源工具，以产生强大的机器学习模型

PDF
TL;DRCohortFinder 是一个数据驱动的开源工具，可以通过分组来缓解批次效应，并且在下游医学图像处理任务中提高了机器学习模型的性能。
batch effectscohortfindermachine learningmedical image processingdata-driven
发现论文，激发创造
  • ACES: 用于事件流数据的自动群体提取系统

    利用自动队列提取系统（ACES）提高医疗领域机器学习的研究可重复性，降低 ML 任务定义门槛，并改善电子健康记录数据集的研究互动方式。

    Jun, 2024

  • 利用分布式电子医疗记录进行联邦机器学习预测死亡率和住院时间的患者聚类提高效率

    介绍了一种基于社群的联邦机器学习算法，将分布式数据聚类成具有相似诊断和地理位置的有临床意义的社群，使每个社群可以学习一个模型。该算法在现场非 IID ICU EMR 上表现优于传统方法，同时可以保护隐私。

    Mar, 2019

  • CohortNet：用于可解释的医疗保健分析的患者群体发现

    提出了 CohortNet，一种用于可解释的医疗分析的自动化队研究模型，通过学习细粒度患者表征、发现并利用充满医学意义模式的群体，来为特定患者提供更全面的理解。

    Jun, 2024

  • OpportunityFinder：一个自动因果推断框架

    OpportunityFinder 是一个面向非专业用户的无代码框架，用于进行多种带面板数据的因果推断研究。它提供易于使用的界面、多种算法的抽象接口、支持二进制治疗带面板数据的因果影响分析以及基于数据规模的动态算法选择。

    Sep, 2023

  • 一种可扩展的临床试验队列优化的 AI 方法

    使用基于 Transformer 的自然语言处理的人工智能方法 (AICO)，通过真实数据评估入组标准，从大量相关临床试验中提取常见入组标准变量并测量临床试验设计的泛化性，解决了现有手动方法的可扩展性问题，并能快速模拟感兴趣疾病的入组标准设计。以乳腺癌试验设计为例，展示了该方法在改进临床试验泛化性方面的效用。

    Sep, 2021

  • 朝向群体智能：一种通用的基于队列表示学习的电子健康记录分析框架

    通过提出 COhort Representation lEarning (CORE) 框架，从患者之间的细粒度 cohort 信息出发，对 EHR 数据表示进行增强学习，以提高患者管理和干预策略在临床实践中的应用，为医疗方法注入集体信息以提高性能。

    Apr, 2023

  • FairBatch: 用于模型公正性的批量选择

    通过双层优化算法，提出了一种名为 FairBatch 的算法，可以通过自适应地选择小批量来改善模型公平性。这种算法不需要对数据预处理或模型训练进行广泛改变，可与现有的批量选择技术兼容，并提供卓越的性能表现。

    Dec, 2020

  • 医学影像公平性基准测试

    该研究介绍了 MEDFAIR 框架，可以用于医学成像机器学习模型的公平性评估和算法的基准测试，通过实验发现模型选择标准可以对公平性结果产生重要影响，并在不同的应用场景和伦理原则下提供了建议。

    Oct, 2022

  • 使用动物携带标签进行动物行为计算分析的基准测试

    使用动物背负的传感器记录生态和环境数据，为了比较不同的机器学习技术，建立了大型公开数据集和评估系统 Bio-logger Ethogram Benchmark（BEBE），执行行为注释和标准建模任务，评估了 10 种不同的机器学习方法，并识别出未来研究中需要解决的关键挑战。

    May, 2023

  • 评估算法公正性的表型定义

    本文介绍了一组评估表型定义公平性的最佳实践，通过受到常用的公平性度量的启发，并将其与常用的流行病学队列描述度量相关联。通过对两组受试者亚组进行的实证研究，我们描绘了 Crohn 病和 2 型糖尿病中多个表型定义的广泛差异和不一致性。希望这些最佳实践可以帮助构建公平和包容的表型定义。

    Mar, 2022