- 非洲医疗人工智能时代的数据伦理:一种乌班图哲学视角
利用 Ubuntu 哲学视角讨论了在 AI 时代非洲的医疗数据伦理,并着重比较了个人主义和社群主义对数据伦理的不同方法,提出的框架可以为 AI 开发者、医疗服务提供者、公众和决策者提供关于非洲 AI 中的医疗数据伦理使用的参考。
- Apache Spark 下的分布式医疗数据记录链接
利用 Apache Spark 机器学习库,开发了一种新的分布式数据匹配模型,通过使用 SVM 和回归算法解决数据不平衡问题,实现了在医疗数据上的良好性能。
- 医疗时间序列的知识增强条件插补
这项研究提出了一种新颖的方法来解决多元时间序列中缺失数据的挑战,特别关注医疗数据的复杂性。我们的条件自注意力填补模型(CSAI),基于变换器框架,引入了针对医学时间序列数据的条件隐藏状态初始化。此方法与传统填补技术不同之处在于专门针对医疗数 - 多项式信念网络
基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析,通过数据驱动方式提取具有生物学意义的元签名。
- 通过条件性患病率调整实现鲁棒学习
CoPA 是一种用于反因果任务的方法,假设生成机制稳定,即标签 Y 和混淆变量 Z 生成 X,而不稳定的条件普遍性完全解释了 X 和 Y 之间的不稳定相关性。该方法在合成数据和真实数据上击败了竞争基准线。
- 验证变压器在真实世界的医疗保健中用于电子健康记录的文本遮蔽
使用基于 Transformer 的模型 AnonCAT,在全球医疗数据中改进了患者隐私保护,通过细调和本地化实现了去标识化算法的真实世界应用蓝图。
- 深度学习在医疗保健中的综述
通过深入研究深度学习模型在医疗解决方案中的部署,本研究旨在探讨在医疗系统中使用的深度学习方法,包括前沿的网络设计、应用和市场趋势,以及当前未解决的问题和潜在方向。
- 协作学习方法成本效益评估:前列腺分割基准测试
比较协作学习中的联邦学习和基于共识的方法,研究在医学图像领域中共识范式作为典型训练任务的替代方案的可行性。
- 在医疗领域中为可信 AI 筛选对抗性数据集
通过构建自然对抗数据集来评估模型的鲁棒性,研究表明基于自动弱监督标注的概率标签,以及对输入数据进行对抗排序的方法在医疗和非医疗案例研究中具有高效性和统计有效性。
- 通过点过程进行时间因果中介:卫生保健干预的直接和间接效应
本研究提出一个非参数中介-结果模型,假定中介是一种时间点过程,该模型能够在非规则采样的时间序列中估计干预的直接和间接效应,为医疗数据分析提供帮助。
- 粗略种族数据掩盖了临床风险评分表现差异
通过分析美国医疗数据,发现医学风险评分在不同粒度人种群体之间存在显著的性能差异,建议医疗和机器学习研究人员应该收集、发布和使用更精细的种族数据,以更好地认识种族间的表现差距。
- PIKS: 一种通过开放医疗数据为政策制定者识别可操作趋势的技术
本文介绍了一种名为 PIKS 的高效异常检测技术,并将其应用于纽约和加州公共医疗保健数据集,以快速发现出现的趋势和异常情况,提高公共卫生政策的应对能力,并相较于现有的异常检测技术, PIKS 技术具有更少的超参数需要调整,因此具有更好的快速 - CSDI: 条件得分扩散模型用于概率时间序列插补
本研究提出了基于条件分数扩散模型的时间序列插值方法,相较于现有概率插值方法以及现有确定性插值方法,该方法在医疗和环境数据方面表现优异,可以减少 5-20% 的误差,并可在时间序列内插值和概率预测中应用,具有广泛的应用前景。
- 基于图的医学诊断与分析的深度学习:过去、现在和未来
本文系统地概述了图神经网络在医疗保健领域中的应用,包括功能连接、解剖结构和基于电信号的分析,并讨论现有技术的局限性和未来研究的方向。
- AAAI稀有事件建模的变分分离
提出了一种基于极值分布和变分去解耦的方法,用于在高度不平衡的分类问题中学习罕见事件和提高临床决策支持系统的性能。该方法在合成研究和实际临床数据集上具有显著的性能优势,包括 COVID-19 毒性预测。
- COVID-19 自动问答任务的语言模型质量评估
本文利用 GPT-2 语言模型,结合 tf-idf、BERT、BioBERT、USE 四种过滤方法,开发了一款自动回答有关 COVID-19 的聊天机器人,并通过医学专家评估,发现 BERT 和 BioBERT 优于 tf-idf 和 US - IJCAI保护隐私的技术帮助数百万人:协作预测模型用于卒中预防
本研究提出了一个隐私保护方案,使用联合预测模型异步支持任意数量的客户端连接,采取联邦平均法训练模型,在不将患者数据带出医院的整个过程中,训练所有某一城市医院的医疗保健数据,以预测中风的风险,并开发一个移动应用程序,以演示联邦训练过程中联合预 - 利用自由文本临床记录实现非结构化死亡率预测
通过以未经过多次预处理的多个临床笔记为输入,在用于预测住院死亡时提高模型性能,这项研究揭示了未结构化数据在临床预测方法中的潜力和必要性。
- 医疗信息学的联邦学习
通过联邦学习机制,能够保持本地机构中的敏感数据,同时在中央服务器上培训共享全球模型,从而改进卫生保健数据的隐私保护和数据分析,以解决医疗卫生数据碎片化和保密性问题。
- MM辅助生活隐私保护的深度学习方法
本文提出了一种基于 LSTM Encoder-Decoder 的新编码技术,用于实现医疗保健数据和环境辅助生活领域中对隐私的保护,通过实验结果证明了该方法的高效性和有效性。