Jan, 2024

多模电子健康记录的自动融合提升医疗预测能力

PDF
TL;DR我们提出了一种名为 AutoFM 的神经架构搜索（NAS）框架，用于自动搜索对多样输入模态和融合策略进行编码的最佳模型架构，并在真实世界的多模式 EHR 数据和预测任务上进行了彻底实验，结果表明我们的框架不仅在现有最先进的方法上实现了显著的性能改进，还有效地发现了有意义的网络架构。
electronic health recordehr datadeep learning techniquesneural architecture searchmulti-modal ehr data
发现论文，激发创造
  • MUFASA: 电子病历的多模态融合架构搜索

    本文介绍了一种名为 MUFASA 的多模态融合模型，在电子病历诊断中表现出与传统模型相比具有更高的数据分类准确度。该模型通过结合不同数据模态的表示方法和模型架构的搜索，有效地解决了深度学习模型在电子病历分析中的问题。

    Feb, 2021

  • 基于人工智能的电子健康记录和影像数据融合方法

    这篇综述研究了使用人工智能技术将多模式医疗数据进行融合，以开发不同临床应用的 AI 方法。通过对 34 个相关研究进行数据提取和分析，发现多模式融合模型在诊断和预测疾病等临床应用方面显著优于单一模式模型。

    Oct, 2022

  • 如何利用多模态电子病历数据进行更好的医学预测？

    本文提出了一种从医疗电子健康系统中提取伴随临床记录的方法，并使用这些数据综合研究了不同模型和数据利用方法对于更好的医疗任务预测的影响。结果表明，我们的融合模型优于不包含临床记录的最新方法，这证明了我们的融合方法的重要性和临床注意点特征的价值。

    Oct, 2021

  • 电子健康记录与笔记的多模态融合：利用超图和 LLM 集成结构与语义

    提出了一个名为 MINGLE 的新框架，通过融合结构和语义以有效地整合不同类型的 EHR 数据，从而提高预测性能。

    Feb, 2024

  • 全球对比训练与语言监督下的多模态电子健康记录

    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

  • 基于电子健康记录的关节疾病预测的自动化多任务学习

    在大数据和数字医疗领域，电子健康记录（EHR）已成为丰富信息的来源，具有改善患者护理和医学研究的潜力。近年来，机器学习模型不断增多，用于分析 EHR 数据以预测患者未来的健康状况。其中，一些研究主张采用多任务学习（MTL）来共同预测多种目标疾病，以提高预测性能，然而，目前针对 EHR 数据的 MTL 框架存在重要限制，因为它们过于依赖人为专家来识别任务组合以进行联合训练和设计模型架构。为了减少人工干预并改进框架设计，我们提出了一种名为 AutoDP 的自动化方法，它能够同时搜索任务组合和架构的最佳配置。为了解决任务组合和架构包含的庞大搜索空间，我们采用基于代理模型的优化，使我们能够高效地发现最优解。对真实世界的 EHR 数据的实验结果表明了提出的 AutoDP 框架的有效性。它在手工设计和自动化的最先进方法上取得了显著的性能改进，同时也保持了可行的搜索成本。

    Mar, 2024

  • 电子健康记录的多模态分析上的对比学习

    该研究提出了一种新颖的多模态特征嵌入生成模型，并设计了一种多模态对比损失函数，通过联合分析结构化和非结构化数据的两种重要模态来捕获患者的完整病历，从而实现多模态电子健康记录特征表示学习并保护隐私。模拟研究结果表明，所提出的算法适用于多种配置，并且进一步验证了该算法在真实世界电子健康记录数据中的临床应用。

    Mar, 2024

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • 超级融合：一种基于超网络的表格和医学影像数据多模态融合预测建模方法

    基于超网络的医学成像与表格数据融合框架，通过将图像处理与电子病历数值和测量值相结合，旨在提高各种医学应用的准确性。

    Mar, 2024

  • HEALNet -- 混合多模态融合为异构生物医学数据

    采用新技术对医学数据进行收集，如高分辨率组织病理学和高通量基因组测序，为多模态生物医学建模提供了支持。本文介绍了一种灵活的多模态融合架构 —— 混合早期融合注意力学习网络（HEALNet），能够有效处理训练和推断中缺失的模态，提供了最新的多模态基准，并在存在缺失模态的场景中获得卓越性能。

    Nov, 2023