May, 2024

PhilHumans：面向个人健康的机器学习基准测试

PDF
TL;DR利用机器学习在医疗保健中的应用具有改善患者预后、扩大医疗保健的覆盖范围和可负担性的潜力。我们提出了 Personal Health Interfaces Leveraging HUman-MAchine Natural interactions（PhilHumans），它是一个全面的机器学习基准套件，涵盖不同医疗保健领域（如语言治疗、膳食指导、急诊护理、重症护理、产科超声）以及不同的学习设置，例如动作预测、时间序列建模、洞见挖掘、语言建模、计算机视觉、强化学习和程序合成。
machine learninghealthcarebenchmarkspersonal health interfaces leveraging human-machine natural interactionsholistic suite
发现论文，激发创造
  • 临床时间序列数据的多任务学习和基准测试

    该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。

    Mar, 2017

  • 机器学习在健康领域的挑战与机遇综述

    该论文阐述了电子病历（EHR）提供数据以回答临床相关问题，EHR 中不完整的标签、供建多个基础病因的疾病和健康人群缺乏等问题给机器学习在临床应用中带来的挑战，并强调了机器学习在医疗保健中发挥作用的机会。

    Jun, 2018

  • 评估机器学习在纵向电子医疗数据上的进展

    综合评估医疗机器学习的基准，提出一种基于医学信息志 (MIMIC-III) 的基准，让我们可以直接比较预测性能，并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现，在这些任务上，尽管社区参与度高，但在过去的三年里，几乎没有真正显著的进展。通过我们的元分析，我们发现，深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果，提出未来医学机器学习基准所需的理想特性。

    Oct, 2020

  • 使用机器学习预测运动员健身情况的移动健康数据

    本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

    Apr, 2023

  • 医疗保健中的安全稳健机器学习：调查

    介绍机器学习和深度学习技术在医疗保健的应用及相应的安全和隐私挑战，并提出了相关方法以确保医疗保健应用中的安全和隐私保护。

    Jan, 2020

  • MentalHealthAI：利用个人健康设备数据优化精神病学治疗

    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

  • 机器学习在医疗保健中的可重复性

    本文通过对 100 多篇机器学习应用于人类健康领域的研究论文进行系统评估，发现相较于其他机器学习领域，该领域在数据和代码可获取性等可重复性方面表现较差，因此提出了对数据提供者、学术出版商和 ML4H 研究社区的建议，以促进可重复性研究的发展。

    Jul, 2019

  • 机器学习中的公平性与医疗保健中的公平性相遇

    本研究提出了一种基于软件工程原理的人工智能框架，用于在保证医疗保健公平的同时识别和缓解数据和模型中的偏见和歧视，通过案例研究表明数据中的系统性偏见会导致模型预测中的偏差增大，并提出了机器学习方法来预防这种偏见。未来的研究目标是在实际的临床环境中测试和验证所提出的 ML 框架，以评估其在促进健康公平方面的影响。

    May, 2023

  • 人工智能发展的基准数据集未能满足医疗专业人员的需求

    通过深入文献和在线资源的系统性研究，我们编制并发布了一个全面的与临床和生物医学自然语言处理（NLP）广泛领域相关的数据集和基准目录，对 450 个 NLP 数据集进行了手动系统化和注释处理，并与跨医疗应用的相关任务进行了比较，结果显示，当前可用的人工智能基准测试不同于希望在临床环境中进行人工智能自动化的任务，因此需要创建新的基准测试以填补这些差距。

    Jan, 2022

  • 基于 MIMIC 大型医疗数据集的深度学习模型对比

    本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

    Oct, 2017