Feb, 2024

高度不平衡多类分布下远程医疗专科检测

PDF
TL;DR通过使用机器学习模型自动检测正确的医疗领域并将问题路由给正确的医生，提高了特定检测的准确性，并探索了依赖特定检测的隐藏业务领域，如为不同医疗领域定制和个性化咨询流程。研究表明，结合多种技术如 SMOTE 和重新加权与关键字识别，可以在不平衡的多类数据集中更准确地检测罕见类别。
telemedicine servicesmachine learningspecialty detectionarabic medical questionsimbalanced multiclass datasets
发现论文，激发创造
  • 利用 NLP 技术增强医疗科室对患者的分配

    通过使用关键词训练一个深度学习架构，我们提出了一个不需要预训练与微调，可以直接应用于特定环境进行多标签分类的方法，该方法在文本分类中显著提高了性能，是一种有潜力的替代传统方法的有效选择，并在各种医学领域具有潜在应用。

    Dec, 2023

  • 临床推荐系统：利用神经网络集成预测医学专业的诊断选择

    本文提出了一种基于神经网络的数据驱动模型，可根据病人最近的临床记录自动推荐必要的诊断流程，以替代手动创建的临床清单，具有更高的准确性，可帮助卫生系统扩大对患者的及时初步医疗专科诊断工作。

    Jul, 2020

  • 基于不平衡医疗数据的机器学习性能分析来预测中风

    本文探讨了卒中的潜在风险因素，比较了四种不同的方法以提高不平衡的卒中数据集的分类性能，并发现对于大规模严重失衡数据集，SMOTE 和 PCA-Kmeans 与 DNN-Focal Loss 表现最佳。

    Nov, 2022

  • 多任务学习：从多个合成任务中学习医学异常定位

    针对现实场景中实际应用领域不断增多的无泛化的外部分布，我们的新方法利用多个可视化的、不同的、合成异常学习任务进行训练和验证，从而增强了样本的鲁棒性和泛化性，实现了对基于脑部 MRI 和胸部 X 射线的最新方法的超越。

    Jul, 2023

  • 深度学习在医学异常检测中的应用 — 综述

    本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析，提供关于流行的深度学习技术的全面的系统性回顾，比较和对比它们的架构差异和训练算法，并提供了用于解释模型决策的深度模型解释策略的综合概述。此外，指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。

    Dec, 2020

  • 评估轻量级深度学习技术在医学成像中用于高精度 COVID-19 诊断的效果

    本文提出使用 MobileNetV2 模型的轻量级深度学习技术进行 COVID-19 检测的开发和性能评估，该模型与重量级模型相比性能相当且可大幅降低计算资源的成本和内存需求，为中低收入国家提供低成本和移动的点‑of‑care 检测系统提供了有效的解决方案。

    May, 2023

  • 利用标签间的依赖关系从头开始学习诊断

    使用 LSTM 从胸部 X 光片中预测 14 种病理模式，提出并讨论了与临床实践相关的替代评估指标，其结果在 NIH 提供的最大公开胸部 X 光数据集上获得了最新的技术成果。

    Oct, 2017

  • DOCTOR: 基于可穿戴医疗传感器的多疾病检测持续学习框架

    本文提出了基于可穿戴医疗传感器的、适用于多病种的连续学习框架 DOCTOR，采用多头深度神经网络和举例回放样式的连续学习算法，实现智能医疗领域中多疾病检测任务的高效处理。

    May, 2023

  • 基于机器学习融合方法的二元和多分类心血管疾病严重性预测

    本研究使用机器学习技术构造了三个融合模型，在心脏病数据集上进行训练和预测，其中包括人工神经网络、支持向量机、逻辑回归、决策树、随机森林和 AdaBoost 等六种算法，以预测心血管疾病的出现和严重程度，实验结果表明，这三个融合模型具有良好的分类性能，多类分类的最高准确率为 75%，二类分类的最高准确率为 95%。

    Mar, 2022

  • 提高诊断精确度：利用机器学习技术在胸部 X 射线图像中准确检测 Covid-19、肺炎和结核病

    通过深度学习和图像处理，研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性，通过与多个经过预训练的迁移学习模型进行比较，该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。

    Oct, 2023