患者风险进展建模的时间监督对比学习
本文介绍了一种名为邻域对比学习(NCL)的对比学习方法,该方法采用时序数据增强技术,可用于对 ICU 中的患者进行在线监测,与现有方法相比可显著提高预测精度。
Jun, 2021
通过引入基于事件的对比学习(EBCL)方法,本文提出了一种用于学习保留关键指标事件之前和之后的异构患者数据的嵌入的方法,并证明相比不利用关键医学事件周围的时间信息的其他表示学习方法,EBCL 产生的模型在包括 30 天再住院、1 年死亡率和 1 周住院时间的关键后续任务的微调性能更好。
Dec, 2023
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
提出了一种新的基于对比损失的无监督表示学习框架,并通过利用数据增广方案生成新样本来优化损失函数,实现混合样本的预测任务,以利用软目标进行学习。实验结果表明本方法在单变量和多变量时间序列上的表现优于其他表示学习方法,并展示了它对于临床时间序列的传递学习的好处。
Mar, 2022
本文介绍了一种新的对比表示学习目标和训练方案,针对临床时间序列。该方法能将高维的医疗记录数据投影到低维的封闭单位球上,以编码几何先验,从而学习患者的死亡风险和器官功能,该方法可用于在线患者监测,并可提供临床医生的决策支持和改进下游机器学习任务的性能。
Apr, 2022
本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架,结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示,进而提高了病人相似性的性能。
Feb, 2019
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
本文提出了一种新的时间序列表示学习方法,通过自监督任务的上下文、时间和转换一致性,结合不确定性加权方法,实现了多任务学习和跨领域传递学习,进而在时间序列分类、预测和异常检测等下游任务中取得了更好表现。
Mar, 2023
本文通过应用监督对比学习将肿瘤基因表达和临床数据转换为低维特征空间,并使用学习的特征训练 Cox 模型来预测肿瘤预后,提高了肿瘤预后的准确性。
Jun, 2023
引入一种新的预训练程序,利用有监督对比学习来区分每个预训练数据集中的特征,进而通过将目标数据与预训练数据集的学习动态更加紧密地对齐,以提高目标数据的准确预测。
Nov, 2023