Nov, 2023

基于临床时间序列的转换器方法接近不良事件检测

PDF
TL;DR我们的研究旨在开发一种异常检测系统，以识别与预期临床发展不符的偏差。通过分析挪威北部医院信托公司（NHT）获得的 16 个月的生命体征记录，我们采用基于 STraTS 变压器架构的自监督框架来表示时间序列数据。然后，利用各种聚类技术对这些表示进行处理，以探索基于患者临床进展的潜在表型。尽管我们正在进行的研究的初步结果是令人鼓舞的，但它们强调了从患者获得的额外人口统计学信息对方法性能更全面的评估的重要性。
发现论文，激发创造
  • 应用 Transformer 集成生理时间序列和临床记录进行早期脓毒症预测

    本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。

    Mar, 2022

  • 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

  • TranAD: 多元时间序列异常检测的深度 Transformer 网络

    本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时间效率上优于现有的基准方法。

    Jan, 2022

  • 使用本地神经转换在时间序列中检测异常

    该研究提出了一种新的基于自监督深度学习的检测时间序列异常值的方法，该方法通过学习局部变换来提高时间序列异常检测的效果。实验结果表明该方法可应用于多个领域。

    Feb, 2022

  • 基于 Transformer 的无监督脑部异常检测和分割

    通过将向量量化变分自编码器的潜在表示与自回归变换器集合相结合，我们在相对较小的数据范围内，以低计算成本实现了无监督的异常检测和分割，并在合成和真实病变实验中将其与现有方法进行了比较，证明了变换器在这一最具挑战性的成像任务中的潜力。

    Feb, 2021

  • 探索一种用于社交媒体中医疗产品安全监测的统一序列转换器

    本文使用 T5 模型架构，将不良事件检测和抽取问题视为序列到序列问题，并在多项英语基准测试中取得了较强的性能表现，进一步提出了多任务训练的新策略以提高模型的稳健性和语言转换能力。

    Sep, 2021

  • 基于 Transformer 的构架在不良药物事件提取中的广泛评价

    本研究对 19 种基于 Transformer 的模型在非正式文本中进行 ADE 抽取进行了评估和分析，并使用 SHAP 等技术探究了模型分类、预训练领域和大小、以及训练方式等因素对模型性能的影响，为进一步提高数字药物监管工作提供了实证分析。

    Jun, 2023

  • 深度异常检测的神经转换学习方法

    提出了一种可学习的数据变换方法，将数据嵌入语义空间，以检测异常值，此方法在时间序列和表格数据方面表现优异。

    Mar, 2021

  • 多变量时间序列医疗数据上的有效异常活动检测

    多元时间序列数据在智能医疗场景中的异常活动检测具有潜在的准确性，但是异常模式多样且在时间序列中变得难以察觉。为了解决这个问题，我们提出了一种基于残差的异常检测方法 Rs-AD，用于有效的表示学习和异常活动检测。我们在真实步态数据集上评估我们的方案，并实验结果表明 F1 得分为 0.839。

    Sep, 2023

  • DuETT: 用于电子健康记录的双事件时间变换器

    本文介绍了一种 DuETT 架构，它是 Transformer 模型的一个扩展，为医疗电子病历中的时间序列数据提供了鲁棒的表示。通过对 DuETT 模型的自我监督的预测任务进行训练，该模型在 MIMIC-IV 和 PhysioNet-2012 EHR 数据集的多项下游任务中优于现有的深度学习模型。

    Apr, 2023