使用 LLMs 方法识别患者电子健康记录中表明特定诊断风险增加或减少的证据，以提高证据获取并减少诊断错误。通过神经附加模型在临床医生不确定时点进行预测，具有个体化的风险估计，旨在减少诊断延误和因不完整鉴别引起的错误。使用 LLMs 推断细粒度的过去真实诊断标签，确保输入文本在自信诊断之前。通过模型学习的相关性，从初始证据集中筛选出更精确的证据，通过模拟临床医生在预定义鉴别诊断列表中选择来详细评估我们方法的实用性。

Feb, 2024

本文讨论如何利用 NLP 技术快速分析大量的疾病治疗相关的文章，以便于有效地整理出临床试验结果，并希望以此为基础构建出一个比较不同治疗方法的数据库，方便医生进行治疗决策。同时，本文还介绍了一个被称为 Evidence Inference 的公开数据集，该数据集包括了很多描述临床试验的文献，可以用于相关研究。

May, 2020

通过将证据理论引入半监督医学图像分割，以在单次前向传递中推理准确的不确定性量化为目的，提出了命名为 EVIL 的确定性推理学习方法。该方法使用一致性正则化训练范式，通过对扰动预测的一致性进行约束来增强少量标记数据的泛化能力。实验结果表明，EVIL 在公共数据集上与几种最先进的方法相比取得了竞争性的性能。

Jul, 2023

由于医疗决策的重要性，对于医学图像分析中的可解释深度学习方法有着强烈的需求。本文提出了一种基于证据学习的概念嵌入模型 (ev-CEM)，用于建模概念的不确定性，并利用其来纠正在没有完全概念监督下使用视觉 - 语言模型训练概念瓶颈模型时出现的概念错位。通过使用所提出的方法，我们可以增强监督和高效标签设置下的概念解释的可靠性。此外，我们还引入了概念的不确定性以实现有效的测试时干预。我们的评估结果表明，ev-CEM 在概念预测方面具有出色的性能，并且所提出的概念纠正方法有效地减少了高效标签训练中的概念错位。我们的代码可在此 https URL 获取。

Jun, 2024

通过将社交媒体平台上的医疗主张与最新的、最佳的证据相结合，本研究旨在帮助非医学专业人士更有效地评估这些医疗主张的真实性。我们研究了三个核心任务：识别医疗主张、提取医学词汇以及检索与这些医疗主张相关的证据，并提出了一个能够为每个核心任务生成合成医疗主张的新型系统。此外，我们引入了一个由合成生成器产生的新型数据集，应用于这些任务时，不仅展示了更灵活、更全面的方法，而且在所有可比指标上都有改进。我们将我们的数据集 ——Expansive Medical Claim Corpus (EMCC)—— 提供给大家，网址为此 https URL。

May, 2024

机器学习在医学疾病诊断这一关键应用领域存在一个有效性问题，当训练数据中的目标标签通过间接测量确定时，若基础测量数据包括在输入数据表示中，则机器学习模型只会学会复原已知目标定义，导致模型在与其类似的测试数据上表现完美，但在现实世界中，当定义的基础测量无法完全获取时，模型将在可接近灾难的程度上失败。我们提出了一个通用的流程用于识别存在问题的数据集和黑盒机器学习模型，并将我们的检测流程应用于败血症早期预测任务。

Nov, 2023

本研究探讨了当前的事实检查系统面临的挑战，介绍了一种新的对抗性数据集，并提出了一种新的系统来处理多种类型的谎言，通过多个指针网络进行文档选择，并联合建模一系列证据句子和真实性关系预测，具有更优异的证据检索表现。

Apr, 2020

本研究介绍了一种新的基于异构信息网络 HeteroMed 的疾病诊断建模方法，该方法可以更好地在电子医疗记录中处理缺失值和异构数据，并通过关键诊断路径的捕获和联合嵌入来实现更准确的疾病诊断，其实验结果表明，该方法比现有方法在明确的诊断编码和一般疾病群的预测方面表现更好，并且在通过案例研究定性考察临床事件的相似性方面也优于基准模型。

Apr, 2018

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

我们介绍了一个用于长篇医学文档上的证据 / 理由提取的数据集。该数据集可用于评估计算机辅助编码系统（CAC）中代码证据提取方法的性能，以及深度学习模型在多标签分类中的准确性和可解释性。

Jul, 2023