通过子序列匹配技术，提出一种稳健的疾病分类器，可用于对长期病患者数据的分类，改善由于时间等原因导致病情多样化的挑战，并证实长期数据中的患者轨迹可用于量化患者之间的相似性。

Mar, 2018

本研究利用3117个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

Nov, 2019

该研究讨论了在医疗应用中跨越不同年龄阶段对于疾病分析和预测的持续化索引的域自适应问题。论文提出了一种新方法，结合传统的对抗性适应和一个能建模编码条件下的域索引分布的判别器，将域索引使用于连续范围的域自适应。实验结果表明，该方法在合成和现实世界的医学数据集上的表现优于其他领先的自适应方法。

Jul, 2020

我们提出了一种半参数生成模型，用于预测基准图像后随后扫描中患者的解剖结构。该模型通过个体基因和临床指标的非参数模型，结合全群回归捕捉解剖学变化。我们演示了在ADNI队列中预测随访解剖扫描，并且说明了比较患者扫描和预测的个体化健康解剖轨迹的新分析方法。

Oct, 2020

介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

Feb, 2021

本研究基于多中心临床时间序列和医学影像数据，评估了8种领域泛化方法在现实世界医学成像数据上的性能，并对真实性产生的领域偏差和采样偏差而进行模拟压力测试，发现当前领域泛化方法在现实世界医学成像数据上的表现并不总是能够显著提升。然而，在临床时间序列数据的某些真实性突出情景下，这些领域泛化方法确实会呈现出一定的性能提升，建议在临床环境中采用最佳实践方法来进行领域泛化。

Mar, 2021

本研究提出了一种基于形状精细化的跨领域颅骨去除框架，利用脑部形状先验来处理多站点和寿命数据集之间的领域移位，并在多站点寿命数据集上优于现有方法。

Mar, 2022

我们提出了优化轨迹蒸馏，这是一种统一的方法，从新的角度解决了两个技术挑战。我们充分利用了梯度空间的低秩特性，并设计了一种双流蒸馏算法，以从可靠的源获得外部指导来规范不充分标注的域和类的学习动态。我们在多个任务上对所提出的方法进行了广泛评估，结果证明了其在临床和开放世界中的显著效果和改进。

Jul, 2023

使用普通微分方程进行统计建模，处理纵向队列数据中的局部变化问题，并利用神经网络进行动态建模和参数提取。

Nov, 2023

大脑疾病的精确诊断依赖于先进的医学成像技术，然而缺乏标注数据对于机器学习模型的部署造成了挑战。这项研究采用了深度学习和领域适应技术，结合了最大均值差异方法和卷积神经网络，改善了医学图像模态间的泛化能力，并通过提高诊断准确性和效率，为临床医生提供了更可靠的诊断工具。

May, 2024