利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对1,608,741例患者的电子病历进行了综合分析，发现ConvAE可以生成导致临床有意义的见解的患者表示形式。

Mar, 2020

本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

Jun, 2020

本文介绍了一种基于半监督概率方法的生存数据聚类技术，使用了深度生成模型解决了未知基础变量和被检查的存活时间分布的问题，并在广泛的数据实验中取得了良好的效果和表现。

Jun, 2021

本篇论文通过结合监督和无监督机器学习方法，识别出不同的亚型，能够准确预测帕金森患者的疾病进展和症状，并探究了病人异质性和个性化干预的潜力。

Jun, 2023

通过研究对医院入院的最初几个小时进行聚类分析，提取生命体征数据，确定患者表型与病理生理特征及结果，以支持早期临床决策，对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。

Jul, 2023

通过多变量时间序列聚类方法SLAC-Time，作者研究了创伤性脑损伤（TBI）的动态变化以及不同年龄组对其表现和结果的影响，并发现了三种可以泛化到不同人群的TBI表型，分别为α、β、γ型，它们分别在急诊访视和重症监护期间表现出不同的临床特征。此外，通过各个年龄群体的比较，发现TBI表现的核心特征与年龄无关。

Jan, 2024

使用机器学习和多模态磁共振成像研究揭示了神经精神和神经退行性疾病中的疾病多样性，通过识别疾病亚型，发现了不同脑表型特征之间的显著差异。在本综述中，首先对使用机器学习和多模态磁共振成像解析神经精神和神经退行性疾病多样性的研究进行了系统文献综述，包括阿尔茨海默病、精神分裂症、抑郁症、孤独症谱系障碍、多发性硬化症以及它们在转诊诊断中的潜力。随后，总结了相关的机器学习方法，并讨论了被称为“维度性神经影像内部表型”的新兴范式。维度性神经影像内部表型通过将神经精神和神经退行性疾病的神经生物多样性解剖为一个低维度但信息丰富、量化的脑表型表示，作为一种反映潜在遗传学和病因学的鲁棒性中介表型（内部表型）。最后，讨论了当前研究结果的潜在临床意义并展望了未来的研究方向。

Jan, 2024

通过深度表示学习的方法，该研究揭示了散发性与急性呼吸衰竭的临床轨迹的不同群体，并对不同的死亡率和严重程度进行了特征化，这将为有效的预后和个体化的治疗策略提供重要的临床见解。

May, 2024

提出了CohortNet，一种用于可解释的医疗分析的自动化队研究模型，通过学习细粒度患者表征、发现并利用充满医学意义模式的群体，来为特定患者提供更全面的理解。

Jun, 2024

本研究解决了阿尔茨海默病（AD）在诊断和治疗中的异质性问题，旨在识别具有特征性临床表现和潜在病理的AD亚型。通过采用无监督聚类与图扩散相结合的方法，我们揭示了五种显著不同的AD亚型，并通过基因关联研究确认了其潜在的遗传基础。该方法在复杂数据处理上的优势显著高于传统聚类方法。

Oct, 2024