Jun, 2024

动态不确定因果图的方法论和临床诊断的实际应用以及解释性和不变性

PDF
TL;DR基于动态不确定因果图 (DUCG) 的人工智能辅助临床诊断，具有可解释性、高诊断精度和推荐算法。
ai-aided clinical diagnosisdynamic uncertain causality graph (ducg)explainabilitydiagnostic precisionrecommendation algorithm
发现论文，激发创造
  • 基于三次 DUCG 的工业故障诊断因果知识表示与推理平台

    本文介绍基于时间序列的故障诊断技术来监测工业系统的实时运行状态、检测系统异常、诊断故障根本原因和预测状态趋势，并基于立方 DUCG 理论构建了一个专家知识和经验的工业故障诊断系统，解决了没有样本数据的工业系统故障诊断问题。

    Mar, 2022

  • 精细化因果关系诊断预测

    本篇论文研究了利用因果关系来改进医疗领域中的疾病诊断预测模型，通过因果关系的推断提高医生的决策能力和模型的预测准确性。

    Nov, 2017

  • 自激励和相互激励时间序列的因果图探索

    提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

    Jun, 2021

  • 针对胸部 X 光检查报告生成的动态图形增强对比学习

    该研究介绍了一种名为 DCL 的知识图动态结构方法，它使用对比学习技术融合了医学报告的特定和通用知识，用于自动生成医学报告，并在 IU-Xray 和 MIMIC-CXR 数据集上实验表明，DCL 优于之前的最先进模型。

    Mar, 2023

  • 从非静态时间序列中识别独特因果网络

    本文提出了一种新的因果模型 Unique Causal Network，解决了基于贝叶斯网络的模型在因果解释性上存在的问题，同时提出了基于高阶因果熵算法的分布式 UCN 结构识别方法，用于处理非平稳时间序列数据，实验证明该方法在非平稳时间序列数据上具有最先进的准确性。

    Nov, 2022

  • 了解乳腺癌生存：使用因果关系和语言模型分析多组学数据

    本文利用因果发现算法和大型语言模型通过对 705 名乳腺癌患者的基因组信息的剖析，从多个角度研究患者存活状况的因素，表明因果发现算法和语言模型的可靠性，有助于深入挖掘临床应用上的可靠因果关系。

    May, 2023

  • 多中心临床研究中的缺失数据因果发现

    本研究使用多中心子宫内膜癌的数据分析不同缺失机制对因果图的影响，通过扩展最先进的因果发现算法来利用专家知识，验证得到的图形的良好拟合度和一致性。

    May, 2023

  • QUCE：基于路径的生成反事实解释不确定性的最小化和量化

    我们介绍了 Quantified Uncertainty Counterfactual Explanations (QUCE) 方法，以减轻路径不确定性，不仅在提供解释时量化不确定性，而且生成更加确定的反事实例子。

    Feb, 2024

  • 学习不确定性并将其纳入算法延迟以实现安全的计算机辅助诊断

    提出了一种名为 LDU 的算法，将经常出错的诊断疑点和病人推荐给人类专家以避免错误诊断的风险，该算法在深度神经网络进行计算编码的辅助下，在医疗实践中可以显著减少诊断错误的风险。

    Aug, 2021

  • DAG 中的深度学习

    引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。

    Jan, 2024