基于医学影像的个性化医学，可以准确预测未来个体化临床疾病进展和治疗反应，对于长期、复杂、异质性的无法治愈的疾病（如多发性硬化症（MS））的医疗和药物开发具有巨大影响。本文提出了第一个用于建模疾病进展的连续时间因果框架，利用神经随机微分方程（NSDE）。该因果推断模型以患者的高维影像（MRI）和表格数据为输入，预测潜空间中不同治疗的真实和反事实进展轨迹。NSDE 允许估计高置信度的个性化轨迹和治疗效果。在多中心独家数据集上进行了大量实验，该数据集包括在多个随机临床试验中获得的患者 3D MRI 和临床数据。我们的结果展示了第一个基于不确定性的因果深度学习（DL）模型，可以准确预测未来患者的 MS 残疾发展（如 EDSS）和治疗效果，利用基线 MRI，并且可以发现在临床试验中没有达到临床终点的患者亚组，模型对他们的治疗反应具有高置信度。

Jun, 2024

该论文提出了一种名为 Neural Eigen 随机微分方程的算法，通过在患者设定的超参数上运行超网络来提供个性化建模、扩展到新的治疗政策、根据噪声水平进行可调表现，以及快速、连续和闭合的预测，以模拟医学健身房环境中的真实医疗问题。

Jun, 2023

本文提出了一种结合神经网络和基于随机微分方程的经典风险模型的模型 —— 神经 SDE 模型，该模型可以根据市场数据进行一致性校准，并用于模拟市场场景以评估风险和对冲策略。

Jul, 2020

连续时间中的治疗效果估计对个性化医学至关重要，现有方法只关注潜在结果的点估计而忽略了不确定性估计，因此本文提出了一种用于连续时间中治疗效果估计的新型贝叶斯神经控制微分方程（BNCDE），通过神经控制微分方程和神经随机微分方程的耦合系统来建模时间维度，其中神经随机微分方程可以进行可行的变分贝叶斯推断，从而为给定顺序的治疗提供了潜在结果的有意义的后验预测分布。据我们所知，这是首个用于连续时间中治疗效果的不确定性估计的定制神经方法，因此我们的方法对于促进可靠的医学决策具有直接的实用价值。

Oct, 2023

本文提出了一种使用神经随机微分方程学习控制动力学模型的框架和算法，能够构建模型预测控制算法以及模型基的增强学习领域中的仿真器，在模拟机器人系统中得到良好的应用。

Jun, 2023

通过利用设备的固有物理特性作为计算工具，我们在这项工作中制定了一个通用框架，以完全数据驱动的方式优化与动态物理系统的交互，通过模拟和实现与动态设备的相互作用进行了应用验证，并强调了准确捕捉系统随机性对于成功部署具有物理定义的神经网络的重要性。

Jan, 2024

借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。

Jun, 2022

提出了一种基于深度生成模型的注意力神经网络架构，对高维、纵向数据中的患者生物标志物进行建模，达到了可扩展和准确预测疾病进展的效果，同时在实际临床数据上提供了癌症进展动态的解释性见解。

Feb, 2021

提出一种基于神经随机微分方程的时间序列变点检测算法，该算法使用生成对抗网络框架下的神经随机微分方程模型，通过 GAN 鉴别器的输出在前向传递中检测变点，并通过交替更新来学习未知的变点和不同变点对应的神经随机微分方程模型的参数。结果表明，该方法在合成和实际数据集上的性能比经典变点检测基准、标准 GAN-based 神经随机微分方程模型和其他深度生成模型更好。

Dec, 2023

本文提出了一种个性化心理健康监测和情绪预测系统，利用患者生理数据，并采用分散的学习机制结合传输和联邦机器学习，使数据留在用户设备上，在隐私和可追踪的方式下实现心理健康条件的跟踪和管理，从而为精神科治疗提供了一个新颖的解决方案。

Jul, 2023