Oct, 2023

MedDiffusion：通过基于扩散的数据增强提升健康风险预测

PDF
TL;DR本文介绍了一种名为 MedDiffusion 的新型端到端扩散风险预测模型，通过在训练期间创建合成患者数据来增加样本空间，通过逐步关注机制揭示患者访问之间的隐藏关系，能够自动保留生成高质量数据所需的最重要信息，实验结果表明 MedDiffusion 在 PR-AUC、F1 和 Cohen's Kappa 等指标方面优于 14 种前沿基线模型。
health risk predictionelectronic health recordsdata augmentationmeddiffusionsynthetic patient data
发现论文，激发创造
  • 利用加速去噪扩散模型生成电子健康记录

    本篇论文提出了一种基于扩散模型的生成模型，可以成功地应用于电子病历数据。该模型提出了一种基于分类条件的采样机制以保留标签信息，并引入了一种新的采样策略来加速推理速度。经实验证明，该模型优于现有的其他合成电子病历生成方法。

    Feb, 2023

  • 预测扩散模型综合多模态电子健康记录

    通过引入基于扩散的 EHR 数据生成模型 EHRPD 来解决电子健康记录数据生成中存在的局限性，并从真实性、隐私性和实用性的角度对其进行实验验证。

    Jun, 2024

  • 使用扩散模型综合混合类型的电子健康记录

    使用扩散模型生成混合类型的电子病历在数据质量、效用和增强方面超过其他现有模型，但在隐私方面存在同质化风险。

    Feb, 2023

  • 电子病历时间序列的快速可靠生成方法

    使用去噪扩散概率模型（DDPM）生成多样且逼真的合成电子健康记录时间序列数据，提高数据效用且减少训练工作量，从而改善医疗数据分析。

    Oct, 2023

  • 电子病历生成的导向离散扩散

    电子健康记录生成的新方法 (EHR-D3PM) 以离散的扩散模型为基础，通过高质量的数据生成、数据增强和隐私安全性等方面的实验表明它在生成质量、潜在风险和任务效果方面优于现有方法。

    Apr, 2024

  • EMIT-Diff：通过文本引导的扩散模型增强医学图像分割

    本文提出了一种用于医学图像合成的新方法，即 EMIT-Diff，它利用最近的扩散概率模型生成逼真且多样化的合成医学图像数据，并确保合成样本符合医学相关约束并保留成像数据的底层结构。在多个数据集上进行的实验证明了 EMIT-Diff 在医学图像分割任务中的有效性，并展示了引入首个文本引导的扩散模型用于通用医学图像分割任务的可行性。

    Oct, 2023

  • 利用生成对抗网络提高电子病历深度学习风险预测的性能

    本研究提出了一种基于深度半监督学习框架的 ehrGAN 模型来增强由限制的 Electronic Health Records 数据引发的风险预测绩效，并在两个真实的卫生健康数据集上的实验证明该模型可以产生逼真的数据样本，并且在生成数据的分类任务中，该模型较其他基线方法取得了更显著的改进。

    Sep, 2017

  • 使用生成扩散模型进行癫痫预测的数据增强

    本文提出了一种名为 DiffEEG 的基于扩散模型的数据增强方法用于癫痫预测，与现有方法相比，实验证明 DiffEEG 方法在改善分类器性能方面表现优异。

    Jun, 2023

  • BioDiffusion: 生物医学信号合成的通用扩散模型

    应对有限数据可用性、数据不平衡、标签复杂性和测量噪声干扰等问题，我们引入了 BioDiffusion，一种基于扩散的概率模型，用于合成多变量生物医学信号。通过利用这些合成信号，可以有效解决上述挑战，提高与生物医学信号相关的机器学习任务的准确性。此外，与当前领先的时间序列生成模型相比，实证证据表明 BioDiffusion 在生物医学信号生成质量方面表现优异。

    Jan, 2024

  • 基于时间感知的异构图变换器与自适应注意力合并的健康事件预测

    通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用，使用深度学习方法在疾病风险预测方面取得了早期成功。然而，现有研究对 EHR 数据的潜力未能充分利用，存在着许多关键问题，如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制，本研究引入了一种新型的异构图学习模型，旨在融合疾病领域知识，阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中，并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估，我们的方法在预测准确性和可解释性方面表现出显著提升，为个性化和主动式的医疗管理迈出了实质性的进展。

    Apr, 2024