Jun, 2024

Dwarf: 疾病加权网络用于注意力图优化

PDF
TL;DR本研究通过将医学专家纳入可解释性过程，提出了一种疾病加权的注意力图细化网络 (Dwarf)，该方法利用专家反馈来增强模型的相关性和准确性，通过循环训练来改进诊断性能，生成精确且可解释的特征图。实验结果在多个医学影像数据集上证明了解释性和诊断准确性的显著提升。该方法促进了人工智能系统与医疗保健专业人员之间的有效合作，最终旨在改善患者预后。
interpretabilitydeep learningmedical imagingexpert feedbackdiagnostic accuracy
发现论文，激发创造
  • 利用多模态电子病历的标签依赖注意力模型进行疾病风险预测

    本文提出了一种基于标签依赖的注意模型 LDAM 来提高疾病风险预测的可解释性，在利用 Clinical-BERT 编码生物医学有意义的特征和标签的同时，扩展联合嵌入的想法，开发了多模态学习框架，整合了来自医学记录和时间序列健康状态指标的异构信息，并在 MIMIC-III 测试集上进行了实验验证。

    Jan, 2022

  • 从深度神经网络中提取知识及其在医疗领域的应用

    本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。

    Dec, 2015

  • 糖尿病性视网膜病变疾病级别的深度学习可解释分类器

    本文提出了一种可解释性分类器，旨在通过生成可解释的视觉地图对糖尿病视网膜病变病例进行分类和解释。

    Dec, 2017

  • GWAS 的深度可解释性

    本文探讨了基因组关联研究中的线性模型与深度网络模型的优缺点，并提出了一种基于 DeepLIFT 技术的方法，可以识别出已知和可能的糖尿病遗传风险因素。

    Jul, 2020

  • 使用深度注意力神经网络进行患者风险评估和警告症状检测

    本文介绍了一种实际上应用的病人分流系统的操作组件。通过对德文医生笔记的学习，使用了一种基于注意力机制的卷积神经网络模型，实现了对病人紧急性的评估和提供了最恰当的医疗建议以及时间。此外，一种检测警告症状的方法也被介绍。

    Sep, 2018

  • 基于计算机人工智能深度学习技术的疾病预测模型构建研究

    通过研究稳健学习算法并将其应用于传染病风险的预警，本项目提出了一种动态截断损失模型，将传统的互信息隐式权重特征与平均变异特征相结合，通过降低受噪声影响的训练结果引入训练损失的下界和基于采样率的方法，验证了该方法在不同噪声类型下的有效性，并实现了包含标签噪声数据的稳健学习。

    Jun, 2024

  • MDNet：一种具有语义和视觉可解释性的医学影像诊断网络

    本文提出 MDNet，一种基于计算机视觉和自然语言处理的医学影像诊断模型，它可以自动阅读影像，生成诊断报告，并直接对症状进行图像检索，可视化诊断过程，实现端到端的优化训练，从而显著提高了在膀胱癌影像和报告数据集上的诊断准确率。

    Jul, 2017

  • 可解释的几何加权图注意力网络用于识别与步态障碍相关的功能网络

    本研究通过提出的可解释的几何加权图注意力神经网络（xGW-GAT），鉴别出与帕金森病步态障碍相关的功能连接模式以及与运动障碍相关的功能子网络的可解释性，从而有助于更好地理解帕金森病的运动进展，推动更有效和个性化的治疗方法的发展。

    Jul, 2023

  • 医疗文本数据的注意机制增强深度学习模型探索

    本研究探索了使用深度学习模型和注意力机制在医学文本挖掘中的应用，旨在提高模型识别关键医学信息的能力，通过结合领域知识优化一个自适应注意力模型的能力来处理医学术语和复杂上下文，并证实该模型在任务准确性和鲁棒性方面的有效性，为智能医疗信息处理和临床决策辅助提供了新的视角和方法支持。

    May, 2024

  • 概念关注白化对于可解释性皮肤病诊断的应用

    通过引入 Concept-Attention Whitening（CAW）框架，我们提出了一种用于解释性皮肤病变诊断的新方法。CAW 不仅提高了可解释性，还保持了最先进的诊断性能。

    Apr, 2024