- DeepUniUSTransformer: 通向通用超声模型的有引导深度学院 Transformer
提出了一种名为 DeepUniUSTransformer 的新型通用超声波框架，可适应多个临床任务，包括分割任务和计算机辅助诊断任务，通过引入一个新的模块将相关信息作为提示，并优于使用单个数据集进行训练的模型和缺乏提示指导的网络的消融版本。
- 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 - AI 聊天机器人从患者的病情投诉中进行疾病预测的可靠性
人工智能聊天机器人在预测疾病方面的可靠性进行了研究，结果表明虽然聊天机器人的准确性有所差异，但它们都无法足够可靠地进行重要的医疗决策，强调了对严格的验证和人类监督的必要性。
- 患者叙述整合实现患者端疾病预测
通过应用个性化医疗疾病预测（PoMP），该研究利用患者的健康叙述和人口统计信息来预测疾病，使患者能够更清楚地了解自己的状况，去寻找合适的医疗专家，从而减少寻找合适医生的时间和导航医疗沟通的成本。
- 利用预训练和交互建模在英国生物库中进行特定祖先疾病预测
通过使用多组学数据，我们评估了在不同祖源中改善疾病预测的可行性，研究结果表明，使用群体 LASSO INTERaction-NET 和预训练的 LASSO 在多种祖源中的疾病预测性能有所提高，但效果有限。
- 健康 - LLM: 个性化检索增强疾病预测模型
我们提出了一个名为 Heath-LLM 的创新框架，它结合了大规模特征提取和医学知识权衡评分，与传统的健康管理方法相比，具有三个主要优势，它将健康报告整合到一个大模型中以提供详细的任务信息，使用专业的医学专业知识来调整健康特征的加权得分，并 - MPRE：疾病预测的多角度患者表示提取器
基于电子健康记录（EHR）的患者表征学习是一项关键任务，旨在有效提取动态特征的有用信息。我们提出了多角度患者表征提取器（MPRE），通过频率转换模块（FTM）提取动态特征的趋势和变异信息，在 2D 多提取网络（2D MEN）中捕获趋势和变异 - 发育和脑部障碍的图卷积聚合分类
我们提出了一种基于聚合归一化图卷积网络的方法，通过在图采样中利用聚合、跳跃连接和标识映射，将图像和非图像特征融入节点和边缘，从而增强了预测能力，提供了大脑疾病潜在机制的整体视角。实验结果表明，在自闭症谱系障碍和阿尔茨海默病的预测上，相对于图 - 利用不同深度学习模型从临床文本中提取药物及时序关系
探索了 MedTem 项目中利用深度学习和大型语言模型（LLM）进行医疗信息从 EMR 中提取和分类的效果，并对不同字嵌入技术进行了研究。在医疗实体识别任务中，CNN-BiLSTM 模型优于 BiLSTM-CRF 模型，分别达到了 75.6 - CPLLM: 大型语言模型下的临床预测
我们提出了一种利用大型语言模型（LLM）进行临床疾病预测的方法，该方法通过对 LLM 进行精细调整，利用诊断记录预测患者在下次就诊或随后的诊断时是否被诊断为目标疾病，并与逻辑回归、RETAIN 和 Med-BERT 等多种基准模型进行对比， - 预测生成治疗后新血管形成型年龄相关性黄斑变性的单视野疾病演变学习
提出了一种用于预测治疗后视网膜黄斑变性的 OCT 图像的单视角疾病演变网络 (SHENet)，通过输入治疗前的 OCT 图像，将其转化为深层特征，然后预测疾病演变过程，最后通过特征解码器生成治疗后的 OCT 图像。SHENet 在预测性能和 - ICML基于连接组学的大脑疾病分析可解释化图神经网络
该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。
- 基于多模态图学习的疾病预测
本研究提出了一种多模态图学习框架（MMGL）来预测疾病，该框架对每种模式的特征进行聚合，通过自适应图学习来捕获患者之间的内在联系，并在两个疾病预测任务上获得了更好的性能。
- FedNI: 带网络修复的联邦图学习用于基于人群的疾病预测
本文提出了 FedNI 框架，利用图生成对抗网络进行网络修复和机构间数据的联合学习，以提高疾病预测的准确性，并在两个公共神经影像数据集上取得了显著的比基线和本地 FL 方法更好的成果。
- ICMLBrainNNExplainer: 一种可解释的基于图神经网络的大脑网络疾病分析框架
提出了一个可解释的 GNN 框架 BrainNNExplainer，用于脑网络分析，主要由两个联合学习的模块组成：为脑网络设计的骨干预测模型和突出疾病特定脑网络连接的解释生成器，广泛实验证明了 BrainNNExplainer 的独特解释性 - RA-GCN: 用于不平衡数据疾病预测问题的图卷积网络
本文提出了一种用于防止基于图的分类器强调任何特定类别样本的重加权对抗图卷积神经网络（RA-GCN）以解决医学数据集中的类别不平衡问题，并在合成和实际数据集上的实验证明了其优越性。
- MM使用图注意力网络从单细胞数据预测疾病状态
用单细胞 RNA 测序结合图注意力网络的方法预测多发性硬化症患者的疾病状态，准确率达 92％，并发现了与预测相关的重要细胞类型和基因。同时，该方法为单细胞数据推断一个新的特征空间，并利用注意力权重学习一个可以在可视化中呈现的新低维度嵌入，这 - InceptionGCN: 基于感受野的图卷积神经网络用于疾病预测
本文介绍了一种新的图形领域体系结构，用于基于图形的深度学习用于疾病预测，该体系结构利用不同内核大小的滤波器来构建，特点是定义了几何 “内核模块”，能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果，并提供了在模拟 - 应用图卷积网络进行疾病预测：自闭症谱系障碍和阿尔茨海默病为例
本文提出了一种利用图卷积网络的通用框架，该框架旨在将人群表示为一个稀疏图，其中其节点与基于成像的特征向量相关联，而表型信息则作为边权集成，以在大型人群中进行脑分析，本框架可以用于疾病预测任务，能够显著提高预测性能，并在测试了两个大型数据集， - NIPS应用二维嵌入和卷积神经网络进行宏基因组数据深度学习
本文介绍了一种使用卷积神经网络（CNN）进行生物信息学任务的方法，包括将甲基基因组数据映射为有意义的 1D 或 2D 图像，用于预测各种疾病。该方法在六个不同的数据集上应用，包括总共 1000 多个来自多种疾病的样本。