多尺度多模态对比学习网络用于生物医学时间序列
利用先进的自监督多模式对比学习技术， 注重临床笔记和时间序列，我们引入了一种损失函数：多模式邻域对比损失 (MM-NCL)，展示了我们方法在线预测任务中出色的线性验证和零样本表现。
Mar, 2024
现代电子健康记录（EHRs）通过顺序深度学习在个性化患者健康轨迹的跟踪方面拥有巨大的潜力，然而如何有效利用 EHRs 中的多个模态面临重大挑战，因为其复杂特性（如高维度、多模式、稀疏性、不同的记录频率和时间的不规则性）。为了应对医学时间序列中的稀疏性和时间间隔的不规则性，本文引入了一种新的多模态对比学习框架，重点关注医学时间序列和临床笔记。为了利用医学时间序列和临床笔记之间的相互关系，该框架配备了全局对比损失，将患者的多模态特征表示与相应的出院小结进行对齐。通过全局对比来学习区分性的多模态特征。在真实世界的 EHR 数据集上进行了大量实验，证明我们的框架在使用 UF 健康系统的多模态数据（来自 UF Health Gainesville、UF Health Jacksonville 和 UF Health Jacksonville-North 三家医院的 12 万多次大型住院手术）预测九种术后并发症发生的示例任务上优于现有方法。
Apr, 2024
本文提出了一个基于深度神经网络的编码器 - 解码器结构，包含跨模态卷积层以整合不同模态的 MRI 数据和卷积 LSTM 以建模 2D 切片序列，通过加权和两阶段训练来处理标签失衡，并在 BRATS-2015 数据集上实验表明超越了现有的生物医学分割方法。
Apr, 2017
本文提出了一种新的编码框架，它依赖于自监督学习来学习各种生理领域的多元时间序列的表示，从而解决有限可用性的标记生理数据通常防止在生物医学机器智能领域使用强大的监督深度学习模型的问题，并得出新方法可以学会区分特征被用于下游分类任务。
Jun, 2023
通过多模态生理信号的 Siamese 架构，通过多尺度对比，学习抑郁症识别的多模态生理信号的表示学习框架，能够提高对刺激任务相关的语义表示的学习，且在公开数据集和自收集的多模态生理信号数据集上优于现有模型，具备对多模态时序下游任务的迁移能力。
Jun, 2024
通过解释性多模型数据驱动模型，预测和理解 ICU 中的抗菌性多重药物耐药细菌的发生，并提供可解释的预测支持系统。
Feb, 2024
医学时间序列数据的表征学习的新框架 MTS-LOF 借鉴对比学习和掩蔽自编码器方法的优势，通过多掩蔽策略学习医学时间序列数据中的丰富上下文信息，并证明优于其他方法，可显著增强医疗应用的表征学习。同样，该研究对联合嵌入自监督学习和自编码器技术的集成进行了深入探讨，揭示了医疗数据中时间和结构依赖性之间的错综复杂关系。
Oct, 2023
我们提出了一种名为 Graph Contextual Contrasting (GCC) 的方法，用于确保多元时间序列数据中的空间一致性和时间一致性，并在各种 MTS 分类任务中取得了最先进的性能。
Sep, 2023
本文介绍了将多任务学习（MTL）引入数据协调（DH）的研究。我们提出了多阶段预测（MSP）网络，这是一个 MTL 框架，将神经网络整合到一个较大的结构中，以改善预测性能和学习效率。我们在一个 dMRI 协调挑战数据集上验证了我们的方法，并展示了 MSP 的优异性能。
Jul, 2019