Jan, 2024

TA-RNN：一种基于注意力的、面向时间的递归神经网络架构，用于电子病历

PDF
TL;DR提出了两种基于 RNN 的可解释 DL 结构，即 TA-RNN 和 TA-RNN-Autoencoder，用于在下次访问和多次访问中预测患者的临床结果。实验证明，这些模型在预测阿尔茨海默病和死亡的性能方面超过了其他方法，并且在包括可变时间间隔的数据中也表现出色。
electronic health recordsdeep learninginterpretable dl architecturesirregular time intervalsattention mechanism
发现论文，激发创造
  • 使用注意力模型进行临床时间序列分析

    该论文针对临床时间序列数据，采用注意力机制代替循环神经网络，提出了一种新的架构 SAnD（Simply Attend and Diagnose），并证明该方法在多项诊断任务中表现优异，胜过 LSTM 模型和基于手工特征的经典基线模型。

    Nov, 2017

  • 电子健康记录的基于概念的模型解释

    本研究扩展了 Concept Activation Vectors（TCAV）方法应用于时序数据，以实现在电子医疗记录中进行序列预测，并通过临床应用开放数据和合成数据进行了评估。

    Dec, 2020

  • RETAIN：逆向时间注意机制用于医疗保健的可解释性预测模型

    开发了一种基于二级神经注意力模型的逆向时间注意模型（RETAIN），用于应用于电子健康记录（EHR）数据，能在保持临床可解释性的同时实现高准确性，并在大规模健康系统 EHR 数据集上进行了测试，展示出与 RNN 和传统模型相当的预测准确性和计算可扩展性。

    Aug, 2016

  • 利用时间注意力网络模拟患者旅程数据中的长期依赖和短期相关性，进行健康预测

    本文提出使用带有四个模块的神经网络分析病人旅程的疾病预测。通过将时间间隔作为辅助信息，建立了前瞻式的病人旅程的潜在进展模式，其中短期相关性建模并贡献于病人旅程的本地先验生成，并在 MIMIC-III 数据集上展示了更高的预测准确性。

    Jul, 2022

  • ARNN：用于识别癫痫发作的多通道脑电信号的注意力循环神经网络

    我们提出了一种注意力循环神经网络 (ARNN)，它在序列上循环应用注意力层，并具有与序列长度线性复杂度的特点。该模型在多通道脑电图信号上操作，利用并行计算。我们的架构受注意力层和长短期记忆 (LSTM) 单元的启发，它使用长短样式门进行扩展，并通过数倍的扩展来并行化处理多通道脑电图信号。经过广泛的实验评估，包括 CHB-MIT、UPenn 和 Mayos Clinic CHB-MIT 数据集，实证结果表明 ARNN 模型在各种任务中表现优于 LSTM、Vision Transformer (ViT)、Compact Convolution Transformer (CCT) 和 R-Transformer (RT) 等基准方法，展示出卓越的性能和更快的处理能力。代码已在 https://github.com/Salim-Lysiun/ARNN 上公开获取。

    Mar, 2024

  • 利用多任务门控循环单元从电子医疗记录预测心血管疾病的发病

    本研究提出了一种基于多任务循环神经网络和注意机制的方法，用于预测心血管事件。与标准的临床风险评估模型相比，该模型在预测中风和心肌梗死方面具有更好的性能，并且在短期内的预测效果可以通过使用多任务学习得到提升。同时，该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性，并证明了机器学习技术可以被应用于二级保健。

    Jul, 2020

  • 不规则采样时间序列的多时间注意力网络

    本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架，并使用多个数据集进行内插和分类任务的性能研究，结果表明该框架的性能优于许多基线和最近提出的模型，同时提供了比当前最先进方法更快的训练速度。

    Jan, 2021

  • 学习具有时间感知行为的循环神经网络动态

    本文利用定时自动机来介绍一系列监督学习任务，建立在隐藏时间变量和复杂性直接可控的行为模型基础上，通过研究倒置的时间特征，证明基于动态系统理论的工具可以不仅提供模型学习方案的见解而且能够证明训练过程的动力学。

    Jun, 2023

  • 电子健康记录中的医疗事件检测的双向循环神经网络

    本文研究了使用循环神经网络框架在电子病历中提取医疗事件和属性的序列标注任务，实验结果表明其优于传统的有监督机器学习模型，可应用于药物监管等医疗信息学领域。

    Jun, 2016

  • Doctor AI: 通过循环神经网络预测临床事件

    使用大量历史数据，Doctor AI 基于循环神经网络（RNN）作为时间模型，从 260k 患者数据中预测多种医学诊断和用药类别，该模型可比几个基线模型更高效地进行差异诊断。

    Nov, 2015