M3H:面向医疗保健的多模态多任务机器学习
本研究提出并评估了一种综合人工智能在医学领域的框架(HAIM),以促进利用多模态输入实现人工智能系统的生成和测试,该框架可在医疗保健环境中进行研究和部署,并通过使用 Shapley 值量化每个模态和数据源的贡献,展示了多模态输入在不同医疗任务中的必要性。
Feb, 2022
使用缺失模态下的相似度度量与患者邻居的信息进行相关任务的模态补齐模型在多模态医疗数据的临床分析中表现优于现有方法,发现与医学知识一致的结果。
Oct, 2022
提出了一种名为 FlexCare 的统一医疗预测模型,可以灵活地处理不完整的多模态输入,改善对多个医疗任务的适应性。该模型通过将多任务预测分解为一系列异步的单任务预测来突破传统的并行多任务预测范式,并通过引入多模态信息提取模块和多模态融合模块,在考虑不同模态之间和不同任务之间的信息差异的基础上实现对全面多模态数据的利用。通过在多个任务上进行实验,并进一步分析,验证了该多任务策略在医疗领域的可行性和潜力。
Jun, 2024
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
该研究论文通过大规模的三维多模态医学数据集 M3D-Data 和多模态大型语言模型 M3D-LaMed,在各种三维医学任务上实现了先进的医学图像分析方法,并提出了用于自动评估的新的三维多模态医学基准 M3D-Bench。
Mar, 2024
机器学习在医疗人工智能系统中的应用,从传统和统计方法转向深度学习模型甚至最近的生成模型。近年来,发现了支持多模态数据集成的广泛可用的深度学习架构,尤其是针对图像的。将多种模态融入到这些模型中是一个蓬勃发展的研究课题,提出了独特的挑战。本文讨论了针对医学基于图像的临床决策支持模型的多模态人工智能的五大挑战(表示、融合、对齐、翻译和协同学习),并调查了近期解决这些挑战的方法。我们最后讨论了该领域的未来,并提出了在成功的临床模型及其在临床环境中的转化方面应进一步阐明的方向。
Nov, 2023
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
本文提出了一种名为 MedM-PLM 的医学多模态预训练语言模型,能够增强电子健康记录的表示能力,探索结构化和非结构化数据之间的相互作用,用于药物推荐、30 天再入院预测和 ICD 编码等三项临床任务,显示出比其他现有方法更好的性能和更全面的解释能力。
Jan, 2022
该研究通过开发一种名为 HeLM 的框架,使多模态大型语言模型 (LLMs) 能够使用高维临床模态来估计潜在疾病风险,并且在使用英国生物银行的数据进行验证时,HeLM 能够有效地利用人口统计学、临床特征和高维时间序列数据来估计疾病风险。
Jul, 2023