提出了一种基于层级潜在变量模型的个性化医学方法，该方法能够预测个体疾病过程，提高诊疗效果。将疾病程度描述为连续值，连续时间函数，分享不同粒度观测间的统计力量，使用离线参数学习算法和在线参数学习程序，对硬皮病引起的间质性肺病的疾病过程进行预测，并与现有方法进行比较，获得了显著改进。

Jan, 2016

医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

Nov, 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

本文探讨了如何将因果推断融入临床决策支持系统，以及因果表示学习、因果发现和因果推理领域中的研究方向，以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例，展示了因果机器学习在临床场景中的优势。

May, 2022

该研究旨在通过使用双分图表示患者和医生之间的关系，将患者和医生之间的相似性作为时间敏感预测模型的潜在表示方法，并对慢性淋巴细胞白血病患者进行治疗首次疗程的预测实验，结果表明与多个基线相比，和关系相似度能够提高预测准确率达到 5%。

Jul, 2019

我们提出了一个深度生成时间序列的方法，利用潜在的时间过程来对复杂疾病轨迹进行建模和全面分析。通过结合生成方法与医学知识，我们展示了学习到的时间潜在过程可用于进一步数据分析和临床假设测试，包括发现相似患者和对疾病进行新的子类型聚类。此外，我们的方法能够进行个性化在线监测和多变量时间序列的预测，包括不确定性量化。我们在建模系统性硬化病过程中展示了我们方法的有效性，展示了我们机器学习模型捕捉复杂疾病轨迹和获取新医学知识的潜力。

Nov, 2023

深度学习模型在识别医学影像疾病分类方面被广泛认可，然而在动态和不断变化的临床环境中，持续学习的需求变得尤为重要，以适应不断涌入的来自不同来源的医学数据，并确保医疗数据的隐私。在本研究中，我们强调利用由专家分类器组成的网络，每次引入新任务时添加新的专家分类器。我们提出了 CTP，一种利用置信分数的任务 ID 预测器，利用分类器的概率分布（logits）在推断时准确确定任务 ID。通过定义分布中的噪声区域并计算置信分数，CTP 相较于其他相关的持续学习方法实现了更好的性能。此外，通过在推断时提供数据的连续性，可以进一步提高 CTP 的性能。

Jun, 2024

使用动态疾病图中的转移函数构建全局疾病共现图，为多疾病组合提供上下文敏感的学习框架，从而在电子健康记录数据上实现有效的健康事件预测，取得了比现有技术更好的实验结果。

Dec, 2021

通过引入一种新的正则化方法，我们提出了一种预测阿尔茨海默病进展的方法，旨在保持疾病风险随时间递增的单调性，同时保留预测准确性。

Mar, 2024

我们提出了一个模型无关的模块化框架，TraCE（轨迹反事实解释）评分，用于评估顺序决策任务中的进展，并将其应用于医疗保健和气候变化两个案例研究，展示了其在不同领域的实用性。

Sep, 2023