Oct, 2023

透视力：医疗时间序列的流水线工具

PDF
TL;DRClairvoyance 是第一个展示临床时间序列机器学习全面可自动化的流水线的工具包，它旨在解决临床决策支持中工程、评估和效率方面的挑战，并通过实证标准和优化接口，并在健康护理旅程中的个人预测、治疗效果估计和信息获取中提供集成路径。
time-series learningclinical decision supportmedical time-series problemsml for clinical researchend-to-end automl pipeline
发现论文，激发创造
  • auto-sktime：自动化时序预测

    auto-sktime 是一个自动化的时间序列预测框架，利用自动机器学习技术来自动构建整个预测流程，针对时间序列数据提出了三项改进，实验结果显示了它的有效性和效率。

    Dec, 2023

  • 临床时间序列数据的多任务学习和基准测试

    该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。

    Mar, 2017

  • 基于图增强的时间敏感模型从临床时间序列数据预测治疗启动

    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

  • 基因组和临床数据的理论与数据驱动建模的流水线

    本文提出了一种通过将表型，环境和行为数据与基因组数据整合的流程，使用一种概率图模型来理解数据中特征之间的关系，并展示了该流程如何改善乳腺癌预测模型，提供一种生物学可解释性的视图。

    May, 2020

  • Telescope: 一个基于公平竞争模式的自动混合预测方法

    Telescope 是一种基于机器学习的新型预测方法，自动从给定时间序列中提取相关信息并分割成多个部分进行处理，不需要参数化或训练拟合多个参数，只需要一个时间序列，能够在几秒内提供准确可靠的预测结果，而不对分析的时间序列做任何假设。

    Sep, 2023

  • 基于逻辑的时间序列数据聚类与学习

    本文研究利用 Parametric Signal Temporal Logic 设计无监督的时间序列数据特征以解决数据过载问题，以实现对复杂模型和实验产生的大量数据进行自动分类。作者通过几个示例说明了这种技术如何生产可解释性的公式，适合进行分析和理解。

    Dec, 2016

  • 通过可视化学习和深度学习进行情感医疗估计和决策

    本文介绍了一种名为 VL4ML 的可视化学习方法，该方法在医疗应用中得到了广泛的探究。作者通过 VL4ML 展示了其演示性质，以证明其在医疗决策中的应用。作者还在文章中针对分类、回归以及纵向预测的不同类型任务进行了五个案例研究。通过分析调查，本文证实了 VL4ML 的实用价值。

    May, 2022

  • 医疗时间序列的知识增强条件插补

    这项研究提出了一种新颖的方法来解决多元时间序列中缺失数据的挑战，特别关注医疗数据的复杂性。我们的条件自注意力填补模型（CSAI），基于变换器框架，引入了针对医学时间序列数据的条件隐藏状态初始化。此方法与传统填补技术不同之处在于专门针对医疗数据集中经常被忽视的缺失数据分布的不平衡进行调整。通过整合先进的知识嵌入和非均匀掩蔽策略，CSAI 能够灵活调整至电子病历中缺失数据的独特模式。

    Dec, 2023

  • 生物医学时间序列少样本学习综述

    通过使用 AI 方法与类人能力相结合的方法来弥补稀缺标记数据的方法被称为 few-shot learning。本文综述并比较了 few-shot learning 方法在生物医学时间序列应用方面的使用，讨论了该方法相对于传统的数据驱动方法的临床好处和局限性，以及对未来研究和应用的影响。

    May, 2024

  • 跨断面和长期多视角数据整合的深度学习流水线

    该研究提出了一种使用统计和深度学习方法集成多个来源的横断面和纵向数据、识别相关变量并提供深入生物学见解的流程，并将其应用于炎症性肠病的多组学数据，发现了可区分炎症性肠病状态的微生物通路、代谢物和基因，为炎症性肠病的病因提供了信息。

    Dec, 2023