本文提出一种通过学习网络信息来检测有组织的保险欺诈行为的数据驱动程序，在阿里巴巴（Alibaba）上实现了超过 80% 的精度以及比以前的基于规则的分类器多覆盖 44％的可疑帐户，这个方法能够很容易地适用于其他类型的保险。

Feb, 2020

研究医学图像分析的最新技术，特别是使用机器学习中的深度卷积网络实现医学图像分析，深度卷积网络被广泛应用于医学图像分割、异常检测和疾病分类等应用领域。

Sep, 2017

本研究分析通过卷积神经网络和支持向量机预测疾病，并使用 K-Means 和主成分分析研究了疾病的歧义性，结果表明机器学习可以在疾病早期阶段对疾病进行 98-100% 准确的诊断。异常症状是诊断疾病的良好代理，同时也提高了疾病预测任务的准确性。

Feb, 2023

本文提出了一种基于卷积神经网络的临床智能决策方法，可以自动从电子病历中提取高级语义信息，然后进行自动诊断，结果表明这种方法是可行和有效的。

Apr, 2018

传统上，检测欺诈保险索赔依赖于商业规则和专家判断，这使得过程耗时且昂贵。因此，研究人员一直在研究开发高效准确的分析策略来标记可疑索赔。然而，在开发欺诈检测模型时，我们面临几个挑战，如欺诈的罕见性导致高类别不平衡，只有少数索赔得到调查和标记，导致大量未标记数据，以及公开可用数据的缺乏。因此，我们设计了一个模拟机器，用于创建与实际保险欺诈数据集相似的具有网络结构和可用协变量的合成数据。此模拟引擎使研究人员和从业者可以在各种不同的设置中检验多种方法学挑战以及测试他们的保险欺诈检测模型的（开发策略），同时还可以生成大量的合成数据集以评估（高级）机器学习技术的预测性能。

Aug, 2023

使用深度学习算法进行场景理解已被广泛应用于不同的产业领域，现在保险公司通过允许客户上传用手机拍摄的图片来快速处理小额索赔，在处理索赔之前，由于日益增长的索赔量，为避免因同一案件而产生的反复索赔，必须进行防欺诈检查，本文提出一种新的方法，该方法可以定位、高效地生成深度特性，使用我们提出的数据集进行实验，进一步证明了该方法的有效性.

Apr, 2018

本研究提出了一种多模态推理框架 AutoFraudNet 用于检测保险欺诈，在现实数据集上进行广泛的实验，证明了 AutoFraudNet 在整合各种数据形式以提高性能方面的有效性。

Jan, 2023

本文针对采用电子病历的诊疗信息，提出卷积神经网络模型，从非结构化文本中丝毫不受噪声和复杂性影响地预测出患者的出院诊断，精确率和 F1 分数的性能均优于四个强基线模型，较常见疾病的预测成功率提高了至少 12.7% ，从而为医生诊断判断提供决策支持。

Dec, 2017

该论文介绍了一种基于欠采样算法、K 最近邻算法和深度神经网络的新技术，用于识别信用卡欺诈交易，并通过表现评估表明，DNN 模型具有高精度（98.12%），具有较好的欺诈交易检测能力。

May, 2022

本文介绍了 AdaptiveNet 重复神经网络的体系结构，以处理电子病历的多个事件列表，并应用于风湿性关节炎的疾病进展预测，优于传统基线方法。

Aug, 2020