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
CCS Explorer是一个端到端的系统，可从CCS中提取相关信息以总结文章，以生物BERT为基础的句子相关性预测可达到80.2％召回率和0.843的AUC-ROC，以PubMedBERT为基础的患者，干预措施，结果检测的平均微F1分数为77.8％，可节省近660倍的时间。
Nov, 2022
通过提出 COhort Representation lEarning (CORE) 框架，从患者之间的细粒度 cohort 信息出发，对 EHR 数据表示进行增强学习，以提高患者管理和干预策略在临床实践中的应用，为医疗方法注入集体信息以提高性能。
Apr, 2023
通过大型语言模型自然语言处理的方法，Text2Cohort工具成功解决了使用Imaging Data Commons数据库进行同行发现和访问的难度问题，能够大大拓展医学影像研究的应用领域。
May, 2023
CohortFinder是一个数据驱动的开源工具，可以通过分组来缓解批次效应，并且在下游医学图像处理任务中提高了机器学习模型的性能。
Jul, 2023
通过使用知识图谱作为辅助信息来指导大型语言模型在疾病标签分类的任务中进行预测，在少量数据情况下，我们提出的少样本学习方法相比微调策略表现出令人满意的性能和超强的优势。
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。
自动检索病例组是许多医疗任务的基础，本文引入了一种新的任务——自动检索病例组，并评估了大型语言模型和领域特定的神经符号方法的性能。
Jun, 2024
利用自动队列提取系统（ACES）提高医疗领域机器学习的研究可重复性，降低 ML 任务定义门槛，并改善电子健康记录数据集的研究互动方式。
本研究解决了机器学习模型在营养科学领域面临的可解释性问题，尤其是对群体的解释方法尚未得到充分探讨。论文提出了一种新框架，通过局部特征重要性评分来识别数据集中的群体，并生成基于标签的简洁描述。研究表明，该框架能够生成可靠的解释，符合领域知识，提升了模型的透明度与信任度。
Oct, 2024