Exploring Neural Ordinary Differential Equations as Interpretable Healthcare classifiers
Columbia University(哥伦比亚大学)
针对深度学习黑盒决策在医疗等领域引发的信任问题,本研究提出基于神经常微分方程(NODEs)的可解释文本分类架构,兼顾深度学习的预测能力与模型透明度。
2025-03-05 cs.AI cs.LG
MIMIC-IF: Interpretability and Fairness Evaluation of Deep Learning Models on MIMIC-IV Dataset
University of Southern California(南加州大学)
最近发布的大规模医疗数据集极大地推动了针对医疗应用的数据驱动深度学习模型的研究。然而,由于这种深度黑盒模型的性质,对人类生命受到威胁的医疗保健场景中的可解释性,公平性和偏见的担忧需要对数据集和模型进行仔细和彻底的检查。在这项工作中,我们专注于MIMIC-IV(重症监护医学信息集市,第四版),最大的公共医疗数据集,并对数据集表示偏差以及用于院内死亡率预测的深度学习模型的可解释性和预测公平性进行全面分析。在可解释性方面,我们观察到:(1)性能最佳的可解释性方法成功地识别了各种预测模型中死亡率预测的关键特征;(2)人口统计学特征对预测很重要。在公平性方面,我们观察到:(1)在不同种族、性别和年龄的患者组中,机械通气的处方治疗存在差异;(2)所有研究的死亡率预测因素通常都是公平的,而IMV-LSTM(可解释多变量长短期记忆)模型在所有受保护组中提供了最准确和无偏倚的预测。我们进一步绘制了可解释性方法和公平性指标之间的具体联系,通过展示可解释性方法的特征重要性如何有利于量化死亡率预测因子的潜在差异。
2021-02-12 cs.AI cs.LG
A New Interpretable Neural Network-Based Rule Model for Healthcare Decision Making
Nanyang Technological University(南洋理工大学)
本文提出TT-rules框架,将深度神经网络TTnet转化为精确可解释的规则模型,在医疗任务上达到或超越现有可解释方法,并首次实现可拟合超2万特征大型表格数据的准确规则建模。
2023-09-20 cs.AI cs.LG
Pressure Ulcer Categorisation using Deep Learning: A Clinical Trial to Evaluate Model Performance
Liverpool John Moores University(利物浦约翰摩尔斯大学);Mersey Care NHS Foundation Trust(默西医疗NHS基金会信托)
压疮是患者和医疗保健专业人员面临的挑战。在英国,每年有70万人受到压力溃疡的影响。治疗他们每天花费国民健康服务380万英镑。其病因是复杂和多因素的。然而,有证据表明,老年、与疾病有关的久坐不动的生活方式和不健康的饮食习惯之间存在着密切的联系。压疮是由皮肤直接接触床或椅子而不经常改变位置引起的。尿失禁和大便失禁、糖尿病以及限制体位和营养的损伤也是已知的风险因素。指南和治疗方法是存在的,但它们的实施和成功在不同的医疗环境中各不相同。这主要是因为医疗保健从业者有a)在处理压力溃疡的经验很少,和b)一般缺乏对压力溃疡治疗的理解。如果管理不善,压疮会导致严重的疼痛,生活质量差,以及显著的医疗费用。在本文中,我们报告了Mersey Care NHS Foundation Trust进行的一项临床试验的结果,该试验评估了更快的基于区域的卷积神经网络和移动平台的性能,该平台对压疮进行分类和记录。神经网络将I、II、III和IV类压疮、深部组织损伤和不可分期的压疮分类。由地区护士拍摄的压疮照片通过4/5G通信传输到推理服务器进行分类。分类图像被存储和审查,以评估模型的预测和相关性,作为临床决策和标准化报告的工具。使用@.75置信度评分阈值,研究结果生成的平均精度=0.6796,召回率=0.6997,F1评分=0.6786,有45个假阳性。
2022-03-07 cs.AI cs.CV cs.LG
Interpretable Drug Synergy Prediction with Graph Neural Networks for Human-AI Collaboration in Healthcare
Washington University in St. Louis(圣路易斯华盛顿大学);Washington University School of Medicine(华盛顿大学医学院)
我们以归纳和可解释的方式研究癌症药物联合治疗的耐药或敏感反应的分子机制。尽管深度学习算法在药物协同预测问题中得到了广泛的应用,但如何构建具有生物学意义的预测模型,以研究医疗系统中人与人工智能协同的神秘机制仍然是一个有待解决的问题。为了应对这些挑战,我们提出了一个深度图神经网络,IDSP(可解释的深度信号通路),将基因-基因以及基因-药物调控关系纳入协同药物组合预测。IDSP基于基因和药物节点关系自动学习边的权重,即,信令交互,通过多层感知器(MLP),并以归纳的方式聚集信息。所提出的架构通过检测重要的信号相互作用来产生可解释的药物协同作用预测,并且当潜在的分子机制遇到看不见的基因或信号通路时可以实现。我们测试了IDWSP在由来自46个核心癌症信号通路的基因和来自NCI ALMANAC药物组合筛选数据的药物组合配制的信号网络上的作用。实验结果表明:1)IDSP可以从潜在的分子机制中学习,在没有额外药物化学信息的情况下进行预测,同时实现与当前最先进方法高度可比的性能; 2)IDSP显示出优越的通用性和灵活性,可以在转导任务和诱导任务上实现协同预测任务。3)IDSP可以通过检测不同细胞系的不同显著信号模式(即MoS)来生成可解释的结果。
2021-05-14 cs.AI cs.LG q-bio.QM
Snomed2Vec: Random Walk and Poincaré Embeddings of a Clinical Knowledge Base for Healthcare Analytics
Pacific Northwest National Laboratory(西北太平洋国家实验室);Stanford University(斯坦福大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
变换编码数据的表示学习方法(例如,诊断和药物代码)到连续向量空间(即,向量嵌入)对于深度学习在医疗保健中的应用至关重要。这一领域的初步工作探索了使用word 2 vec算法的变体来从电子健康记录或医疗索赔数据集中学习医疗概念的嵌入。我们提出了学习嵌入的医学概念,通过使用基于图的表示学习方法SNOMED-CT,一个广泛流行的知识图谱在医疗领域的众多业务和研究应用。目前的工作提出了一种经验分析的各种嵌入方法,包括其性能的生物医学相关性(节点分类,链接预测,和患者状态预测)的多个任务的评估。我们的研究结果表明,从SNOMED-CT知识图谱中获得的概念嵌入显著优于最先进的嵌入,在"概念相似性”方面提高了5- 6倍,在患者诊断方面提高了6- 20%。
2019-07-19 cs.AI cs.LG stat.ML
AI in Telemedicine: An Appraisal on Deep Learning-Based Approaches to Virtual Diagnostic Solutions (VDS)
University of Abuja(阿布贾大学)
远程医疗作为一种医疗保健提供方式的进步预示着现代医学的新曙光。它在当代社会的快速发展是人工智能和信息技术进步的证据。本文进行了一项描述性研究,以广泛探索人工智能在医疗保健服务中的实施,并更全面地了解各种远程医疗创新在增强虚拟诊断解决方案(VDS)方面的可用性。本研究进一步探讨了虚拟诊断解决方案的深度学习模型优化方面的显著发展。还强调了对虚拟诊断解决方案(VDS)的前景和可预见的挑战的进一步研究审查。最后,本研究概述了远程医疗中的人工智能,重点关注基于深度学习的虚拟诊断解决方案。
2022-07-31 cs.AI cs.CY
Enhancing Machine Learning Model Efficiency through Quantization and Bit Depth Optimization: A Performance Analysis on Healthcare Data
本研究针对复杂机器学习模型执行时间过长的问题,通过量化和位深优化技术将输入数据从float64下采样至float32和int32,在医疗数据集上应用LR模型后实现时间复杂度显著降低且精度仅略有下降,为模型优化提供了先进方法。
2025-11-16 cs.AI cs.LG
MONAI: An open-source framework for deep learning in healthcare
NVIDIA Corporation(英伟达公司)
人工智能(AI)正在对大多数科学领域产生巨大影响。人工智能在医疗保健中的应用有可能提高我们检测、诊断、诊断和干预人类疾病的能力。对于临床使用的AI模型,它们需要安全、可重现和健壮,底层软件框架必须了解正在处理的医疗数据的特殊性(例如几何、生理、物理)。这项工作介绍了MONAI,一个免费提供的,社区支持的,联盟领导的基于PyTorch的框架,用于医疗保健领域的深度学习。MONAI扩展了PyTorch以支持医疗数据,特别关注成像,并提供特定目的的AI模型架构,转换和实用程序,以简化医疗AI模型的开发和部署。MONAI遵循软件开发的最佳实践,提供了一个易于使用,健壮,文档齐全,测试良好的软件框架。MONAI保留了其底层PyTorch库的简单,添加和组合方法。MONAI正在被来自世界各地的研究、临床和工业团队使用,并接受他们的贡献,他们正在追求几乎涵盖医疗保健各个方面的应用。
2022-11-04 cs.AI cs.CV cs.LG
Time Series Prediction using Deep Learning Methods in Healthcare
Santa Clara University(圣克拉拉大学);University of Utah(犹他大学)
传统的机器学习方法在处理医疗保健预测分析任务时面临两个主要挑战。首先,医疗保健数据的高维性质需要劳动密集型和耗时的过程来为每个新任务选择适当的特征集。其次,这些方法依赖于特征工程来捕获患者数据的顺序性质,这可能不足以利用医疗事件的时间模式及其依赖性。最近的深度学习方法通过解决医疗数据的高维和时间挑战,在各种医疗保健预测任务中表现出了良好的性能。这些方法可以学习关键因素的有用表示(例如,医学概念或患者)以及它们与高维原始或最小处理的健康护理数据的交互。在本文中,我们系统地回顾了专注于推进和使用深度神经网络来利用患者结构化时间序列数据进行医疗保健预测任务的研究。为了识别相关研究,检索了MEDLINE、IEEE、Scopus和ACM数字图书馆中截至2021年2月7日发表的研究。我们发现,研究人员在十个研究流中为深度时间序列预测文献做出了贡献:深度学习模型,缺失值处理,不规则处理,患者表示,静态数据包含,注意力机制,解释,纳入医学本体,学习策略和可扩展性。这项研究总结了这些文献流的研究见解,确定了几个关键的研究差距,并提出了未来在患者时间序列数据中进行深度学习的研究机会。
2022-09-14 cs.LG
Explainable Deep Learning in Healthcare: A Methodological Survey from an Attribution View
Massachusetts Institute of Technology(麻省理工学院)
大量电子健康记录(EHR)数据的日益增加的可用性和深度学习(DL)中前所未有的技术进步已经引发了对开发用于诊断、预后和治疗的基于DL的临床决策支持系统的研究兴趣的激增。尽管人们认识到了深度学习在医疗保健中的价值,但由于深度学习的黑盒性质,在实际医疗保健环境中进一步采用深度学习仍然存在障碍。因此,出现了对可解释的深度学习的需求,它允许最终用户评估模型决策,以在采取行动之前知道是接受还是拒绝预测和建议。在这篇综述中,我们专注于DL模型在医疗保健中的可解释性。我们首先介绍了解释性的方法,深入和全面的方法,为未来的研究人员或临床医生在这一领域的参考。除了这些方法的细节之外,我们还讨论了这些方法的优缺点以及它们各自适用的场景,以便感兴趣的读者可以知道如何比较和选择使用它们。此外,我们还讨论了这些最初为解决一般领域问题而开发的方法是如何适应和应用于医疗保健问题的,以及它们如何帮助医生更好地理解这些数据驱动的技术。总的来说,我们希望这项调查可以帮助人工智能(AI)和临床领域的研究人员和从业者了解我们有什么方法可以提高他们的DL模型的可解释性,并相应地选择最佳方法。
2021-12-05 cs.AI cs.LG
Multimodal Deep Learning for Low-Resource Settings: A Vector Embedding Alignment Approach for Healthcare Applications
Massachusetts Institute of Technology(麻省理工学院);Universidad del Cauca(考卡大学);University of Michigan(密歇根大学);Harvard University(哈佛大学);University College Dublin(都柏林大学学院);São Paulo Federal University(圣保罗联邦大学);Harvard TH Chan School of Public Health(哈佛陈曾熙公共卫生学院);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心)
针对LMICs等低资源地区计算与数据受限问题,本文提出利用单模态基础模型与多模态VLMs的向量嵌入进行高效多模态深度学习,并设计推理时图像-文本嵌入对齐方法,在保持模型性能的同时显著降低计算需求,促进医疗AI的普及与可持续发展。
2024-06-02 cs.AI cs.LG
Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI
University of Lille(里尔大学);ENSAIT(国立高等艺术与纺织工业学院);GEMTEX–Laboratoire de Génie et Matériaux Textiles(纺织工程与材料实验室);University of Kent(肯特大学)
深度学习在使用心电图(ECG)数据对不同心律失常进行分类方面发挥着至关重要的作用。然而,训练深度学习模型通常需要大量数据,并且可能导致隐私问题。不幸的是,大量的医疗保健数据无法从单个筒仓中轻松收集。此外,深度学习模型就像黑箱,预测结果无法解释,而这在临床医疗保健中经常需要。这限制了深度学习在现实世界卫生系统中的应用。在本文中,我们设计了一个新的可解释的人工智能(XAI)为基础的深度学习框架,在联邦设置为基于心电图的医疗保健应用程序。联邦设置用于解决数据可用性和隐私问题。此外,所提出的框架设置使用自动编码器和分类器有效地对心律失常进行分类,两者都基于卷积神经网络(CNN)。此外,我们提出了一个基于XAI的模块上提出的分类器来解释分类结果,这有助于临床医生做出快速和可靠的决策。使用MIT-BIH心律失常数据库对所提出的框架进行了训练和测试。分类器实现了高达94%和98%的心律失常检测使用噪声和干净的数据,分别与五倍交叉验证的准确性。
2022-01-10 cs.AI cs.LG eess.SP
Distilling Knowledge from Deep Networks with Applications to Healthcare Domain
University of Southern California(南加州大学);Children’s Hospital Los Angeles(洛杉矶儿童医院)
电子医疗记录(EHR)的指数级增长为在计算表型研究中发现有意义的数据驱动的疾病表示和模式带来了新的机遇和迫切需求。深度学习模型在计算表型分析任务中表现出强大的预测性能,但存在模型可解释性问题,这对参与决策的临床医生至关重要。在本文中,我们介绍了一种新的知识蒸馏方法,称为可解释的模仿学习,学习可解释的表型特征,以便在模仿深度学习模型的性能的同时进行稳健的预测。我们的框架使用梯度提升树来学习深度学习模型中的可解释特征,如堆叠去噪自动编码器和长短期记忆。在真实世界的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,并为临床决策提供了可解释的表型。
2015-12-11 cs.LG stat.ML
Benchmark of Deep Learning Models on Large Healthcare MIMIC Datasets
University of Southern California(南加州大学);Tsinghua University(清华大学)
深度学习模型(又称深度神经网络)已经彻底改变了许多领域,包括计算机视觉、自然语言处理、语音识别,并且越来越多地用于临床医疗应用。然而,很少有工作存在基准的深度学习模型的性能相对于最先进的机器学习模型和预后评分系统在公共可用的医疗保健数据集。在本文中,我们使用深度学习模型、集成机器学习模型(超级学习算法)、SAPS II和SOFA评分,展示了几种临床预测任务的基准测试结果,如死亡率预测、住院时间预测和ICD-9代码组预测。我们使用了重症监护医学信息市场III(MIMIC-III)(v1.4)公开数据集,其中包括2001年至2012年在Beth Israel Deaconess医疗中心入住ICU的所有患者,用于基准任务。我们的研究结果表明,深度学习模型始终优于所有其他方法,特别是当“原始”临床时间序列数据用作模型的输入特征时。
2017-10-23 cs.CY cs.LG stat.ML
Hair and scalp disease detection using deep learning
Vishwakarma Institute of Technology(维什瓦卡玛理工学院)
本文提出一种基于卷积神经网络的头发与头皮疾病检测方法,并集成至Django网络平台,实现非侵入性早期诊断,推动皮肤病学诊断的普及与医疗效果提升。
2024-03-09 cs.CV cs.LG eess.IV
MARIA: a Multimodal Transformer Model for Incomplete Healthcare Data
UniCampus
MARIA是一种基于Transformer的多模态模型,通过掩码自注意力机制有效处理不完整医疗数据,优于现有方法在性能和鲁棒性方面。
2025-04-30 cs.AI cs.LG
Deep Causal Behavioral Policy Learning: Applications to Healthcare
University of California, Berkeley(加州大学伯克利分校);University of Chicago(芝加哥大学);University of California, San Francisco(加州大学旧金山分校)
本文提出深度因果行为策略学习(DC-BPL)方法,利用基于transformer的大型临床行为模型(LCBM)学习临床动作路径分布并识别其与患者结果的因果联系,从而确定最优医疗服务提供者并模拟其护理决策。
2025-03-05 cs.AI cs.LG stat.ML
Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers
University of Pittsburgh(匹兹堡大学)
本文评估基于 transformer 的模型利用术中麻醉管理数据预测术后急性肾衰竭、肺部并发症及院内死亡率的能力,并证明其优于梯度提升树等传统表格预测模型。
2023-06-06 cs.CV cs.LG
Deep Mixed Effect Model using Gaussian Processes: A Personalized and Reliable Prediction for Healthcare
KAIST(韩国科学技术院);AITRICS;Yonsei University College of Medicine(延世大学医学院)
我们提出了一个个性化和可靠的医疗保健预测模型,可以提供个性化的医疗服务,如诊断,疾病治疗和预防。我们提出的框架旨在通过对两个互补的组件进行建模,从时间序列数据(如电子健康记录(EHR))中进行个性化和可靠的预测:i)捕获不同患者的全球趋势的共享组件和ii)对每个患者的特异质变异性进行建模的患者特定组件。为此,我们提出了一个复合模型的深度神经网络学习复杂的全球趋势,从大量的患者,高斯过程(GP)的概率模型的个人时间序列给予相对较少的访问每个病人。我们在EHR数据集的不同和异构任务上评估了我们的模型,并显示出比纯递归神经网络(RNN)等标准时间序列深度模型的实际优势。
2019-11-25 cs.LG stat.ML
From Explainable to Interpretable Deep Learning for Natural Language Processing in Healthcare: How Far from Reality?
School of Computer Science and Electronic Engineering, University of Essex(埃塞克斯大学计算机科学与电子工程学院);Harvard Medical School(哈佛医学院);Boston Children’s Hospital(波士顿儿童医院);University of Southampton(南安普顿大学);Athena Research Centre(雅典娜研究中心)
本文综述了医疗NLP中可解释与可解释性深度学习(XIAI),发现注意力机制是主流IAI技术,指出当前挑战并呼吁整合LLMs与领域模型以推动应用。
2024-10-16 cs.AI cs.CL cs.LG
An AI-Guided Data Centric Strategy to Detect and Mitigate Biases in Healthcare Datasets
Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院);University of Michigan Medical School(密歇根大学医学院);Beth Israel Deaconess Medical Center / Harvard Medical School(贝斯以色列女执事医疗中心/哈佛医学院);IBM Research(IBM研究院)
针对医疗算法可能延续对弱势群体偏差的问题,提出以数据为中心、模型与任务无关的AEquity指标评估数据集偏差,通过亚群体AEq值分析识别缓解两类医疗任务中的种族偏差,为推进医疗数据公平提供新工具。
2023-11-06 cs.AI cs.LG
Hardware Implementation of Deep Network Accelerators Towards Healthcare and Biomedical Applications
James Cook University(詹姆斯库克大学);The University of Michigan(密歇根大学);ETH Zurich(苏黎世联邦理工学院);Universidad de Sevilla(塞维利亚大学)
专用深度学习(DL)加速器和神经形态处理器的出现为将深度和脉冲神经网络(SNN)算法应用于边缘的医疗保健和生物医学应用带来了新的机会。这可以促进医疗物联网(IoT)系统和护理点(IoT)设备的发展。在本文中,我们提供了一个教程,描述了各种技术,包括新兴的忆阻器件,现场可编程门阵列(FPGA),互补金属氧化物半导体(CMOS)可以用来开发高效的DL加速器,以解决各种各样的诊断,模式识别,和信号处理问题的医疗保健。此外,我们探讨如何尖峰神经形态处理器可以补充他们的DL同行处理生物医学信号。该教程是增加了大量的文献案例研究神经网络和神经形态硬件应用于医疗保健领域。我们通过执行将肌电图(EMG)信号与计算机视觉相结合的传感器融合信号处理任务,对各种硬件平台进行基准测试。在推理延迟和能量方面,对专用神经形态处理器和嵌入式AI加速器进行了比较。最后,我们提供了我们对该领域的分析,并分享了各种加速器和神经形态处理器引入医疗保健和生物医学领域的优势,劣势,挑战和机遇的观点。
2021-04-28 cs.AR cs.LG eess.SP
Exploring Artificial Intelligence Methods for Energy Prediction in Healthcare Facilities: An In-Depth Extended Systematic Review
Toronto Metropolitan University(多伦多都会大学);Dept. Architectural Science(建筑科学系)
本研究利用PRISMA框架系统综述了17篇关于机器学习与AI预测医院能耗的文献,指出入住率和气象数据是关键预测因子,强调深度学习潜力与挑战,并明确了未来需优化ANN、集成实时数据及加强长期预测等研究方向。
2023-11-27 cs.LG cs.SY eess.SY
Comparison of Privacy-Preserving Distributed Deep Learning Methods in Healthcare
DeepTek Inc(DeepTek公司);Singapore Bioimaging Consortium - A*Star(新加坡生物成像联盟——新加坡科技研究局)
在本文中,我们比较了三种隐私保护分布式学习技术:联邦学习,分裂学习和SplitFed。我们使用这些技术来开发用于从胸部X射线检测结核病的二进制分类模型,并在分类性能,通信和计算成本以及训练时间方面对其进行比较。我们提出了一种新的分布式学习架构SplitFedv3,在我们的实验中,它的性能优于分裂学习和SplitFedv2。我们还提出了交替小批量训练,这是一种用于分割学习的新训练技术,它比交替客户端训练(客户端轮流训练模型)性能更好。
2020-12-23 cs.CR cs.LG
Predicting Opioid Use Disorder from Longitudinal Healthcare Data using Multi-stream Transformer
Institute for Biomedical Informatics(生物医学信息学研究所);University of Kentucky(肯塔基大学);American Board of Family Medicine(美国家庭医学委员会)
阿片类药物使用障碍(OUD)是一种公共卫生危机,每年在医疗保健,工作场所生产力损失和犯罪方面花费数十亿美元。分析纵向医疗数据对于解决医疗保健中的许多现实问题至关重要。利用现实世界的纵向医疗数据,我们提出了一种新的多流Transformer模型称为MUPOD的OUD识别。MUPOD旨在通过关注这些数据流内和跨这些数据流的片段来同时分析多种类型的医疗保健数据流,例如药物和诊断。我们的模型对392,492名长期背痛患者的数据进行了测试,结果显示其性能明显优于传统模型和最近开发的深度学习模型。
2021-07-07 cs.AI cs.LG
Adaptive Multi-Agent Deep Reinforcement Learning for Timely Healthcare Interventions
University of Southern Queensland(南昆士兰大学);Wuhan University of Technology(武汉理工大学);Lingnan University(岭南大学);Hong Kong Baptist University(香港浸会大学);Huazhong University of Science and Technology(华中科技大学)
针对传统患者监护系统在复杂动态环境下易延误危急状况识别的问题,提出基于多智能体深度强化学习的监护框架,经真实数据集验证其性能优于多种基线模型,超参数优化可进一步提升效果。
2024-10-28 cs.AI cs.LG
Vision Language Models for Dynamic Human Activity Recognition in Healthcare Settings
MBZUAI;University of Waterloo(滑铁卢大学)
针对VLMs在医疗远程健康监测的人类活动识别(HAR)中应用不足且输出难评估的问题,本文引入描述性字幕数据集并提出全面评估方法,实验表明VLMs性能可比甚至超过传统模型,为智能医疗系统整合VLMs提供基准与新可能。
2025-10-24 cs.AI cs.CL cs.CV
Building predictive models of healthcare costs with open healthcare data
Fairleigh Dickinson Univ.(费尔利迪金森大学)
针对全球医疗成本上升问题,本文利用纽约州SPARCS的230万条去标识化患者数据,基于诊断和人口统计学特征,采用稀疏回归和决策树构建成本预测模型,深度为10的决策树取得0.76的R方值,优于现有文献结果。
2023-04-05 cs.CY cs.LG
Removing Confounding Factors Associated Weights in Deep Neural Networks Improves the Prediction Accuracy for Healthcare Applications
Carnegie Mellon University(卡内基梅隆大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Petuum Inc.(Petuum公司)
医疗保健数据的激增带来了应用数据驱动方法(例如机器学习方法)来辅助诊断的机会。最近,许多深度学习方法在使用原始输入数据预测疾病状态方面取得了令人印象深刻的成功。然而,深度学习的“黑箱”性质和生物医学应用的高可靠性要求对混淆因素的存在提出了新的挑战。针对混杂因素处理不当会导致模型在实际应用中性能不佳的问题,提出了一种有效的方法来消除年龄、性别等混杂因素的影响,以提高神经网络的跨队列预测精度。我们的方法的一个明显的优点是,它只需要最小的变化的基线模型的架构,使它可以插入到大多数现有的神经网络。我们使用卷积神经网络和LSTM在CT扫描、MRA和EEG脑电波上进行实验,以验证我们方法的有效性。
2018-08-31 cs.LG stat.ML
Split Learning for collaborative deep learning in healthcare
Massachusetts General Hospital(马萨诸塞州总医院);Massachusetts Institute of Technology(麻省理工学院)
标记数据的短缺一直阻碍着医疗保健领域深度学习的兴起,因为样本量通常很小,患者信息无法公开共享,多中心协作研究是一个负担。分布式机器学习方法有望缓解这些问题。我们主张基于分裂学习的方法,并首次在医学领域应用这种分布式学习方法,以比较(1)集中托管和(2)非协作配置的性能。两个医学深度学习任务用于将分割学习与传统的单中心和多中心方法进行比较:9000张眼底照片的数据集的二进制分类问题,以及156,535张胸部X光片的数据集的多标签分类问题。几个分布式学习设置进行了比较,范围为1-50分布式参与者。与单中心研究相比,对于任何数量的客户,分离学习配置的性能保持恒定,与两组2个客户后的非协作配置相比显示出显著差异(p < 0.001)。我们的研究结果肯定了深度神经网络在医疗保健中的协作训练的好处。我们的工作证明了分布式学习在医疗保健领域的巨大优势,并为未来的现实世界实现铺平了道路。
2019-12-27 cs.DC cs.LG stat.ML
An Overview and Case Study of the Clinical AI Model Development Life Cycle for Healthcare Systems
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
医疗保健是机器学习模型最有希望产生积极影响的领域之一。然而,在医疗保健中成功采用基于人工智能的系统取决于吸引和教育来自不同背景的利益相关者了解人工智能模型的开发过程。我们对临床AI模型的开发生存周期进行了广泛的概述,这些模型足够通用,可以适应大多数机器学习项目,然后对基于深度学习的系统的开发过程进行了深入的案例研究,以检测计算机断层扫描(CT)检查中的主动脉瘤。我们希望其他医疗机构和临床医生能够发现我们分享的关于开发过程的见解,有助于他们自己的模型开发工作,并增加在医疗保健中成功部署和集成人工智能的可能性。
2020-03-26 cs.CY cs.LG cs.SE
Calibrating Healthcare AI: Towards Reliable and Interpretable Deep Predictive Models
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);IBM Research AI(IBM研究AI部门);Arizona State University(亚利桑那州立大学)
表示学习技术在临床决策制定中的广泛采用强烈强调了表征模型可靠性和实现模型行为的严格内省的需要。虽然前一个需求往往是通过纳入不确定性量化策略来解决的,后一个挑战是使用广泛的可解释性技术来解决的。在本文中,我们认为,这两个目标不一定是不同的,并建议利用预测校准,以满足这两个目标。更具体地说,我们的方法是由校准驱动的学习方法,这也是用来设计一个基于反事实推理的可解释性技术。此外,我们介绍了\textit{reliability plots},一个整体的模型可靠性评估机制。使用皮肤镜图像的病变分类问题,我们证明了我们的方法的有效性,并推断出有趣的见解模型的行为。
2020-04-27 cs.LG stat.ML
Spatio-Temporal SIR Model of Pandemic Spread During Warfare with Optimal Dual-use Healthcare System Administration using Deep Reinforcement Learning
本文提出融合SIR流行病模型与Lanchester战争模型的时空数学模型,并利用深度强化学习优化军民两用医疗系统管理策略,揭示战时疫情下应依据即时死亡率在救治伤兵与染疫平民间动态优先分配医疗资源。
2024-12-18 cs.LG cs.MA physics.soc-ph
LogGENE: A smooth alternative to check loss for Deep Healthcare Inference Tasks
BITS Pilani(博拉理工学院);ML Square(ML平方)
针对分位数回归中check损失不可微的问题,提出用log-cosh作为平滑替代的LogGENE方法,在医疗及非医疗的回归、分类任务中实现了高精度,还兼具可解释性与不确定性估计能力。
2023-05-02 cs.LG cs.NE stat.ML
Is Deep Reinforcement Learning Ready for Practical Applications in Healthcare? A Sensitivity Analysis of Duel-DDQN for Hemodynamic Management in Sepsis Patients
MIT(麻省理工学院);IBM Research(IBM研究院);Harvard University(哈佛大学)
强化学习(RL)的潜力已经通过在围棋和雅达利等游戏中的成功应用得到了证明。然而,虽然在游戏环境中通过简单地使用RL算法玩游戏来评估RL算法的性能是简单的,但在临床环境中评估是一个主要挑战,在临床环境中,在实践中遵循RL策略可能是不安全的。因此,了解RL政策对实施过程中所做决策的敏感性是建立最终临床应用所需的RL信任类型的重要一步。在这项工作中,我们对最先进的RL算法(Dueling Double Deep Q-Networks)进行了敏感性分析,该算法适用于ICU中脓毒症患者的血流动力学稳定治疗策略。我们考虑了学习策略对输入特征、嵌入模型结构、时间离散化、奖励函数和随机种子的敏感性。我们发现,改变这些设置可以显着影响学习的政策,这表明在解释RL代理输出时需要谨慎。
2020-08-27 cs.LG stat.ML
A Simple and Interpretable Predictive Model for Healthcare
Optum Global Solutions(Optum全球解决方案公司)
基于深度学习的模型目前主导着大多数疾病预测的最先进解决方案。现有的工作采用RNN以及多层次的注意力机制来提供可解释性。这些深度学习模型的可训练参数高达数百万,需要大量的计算和数据来进行训练和部署。这些要求有时是如此之大,以至于使用这些模型不可行。我们通过开发一个更简单但可解释的基于非深度学习的模型来解决这些挑战,以应用于EHR数据。我们在预测诊断首次发生的任务上建模并展示了我们的工作结果,这在现有的工作中经常被忽视。我们推动了基于树的模型的功能,并为更复杂的模型提供了强大的基线。它的性能显示出比基于深度学习的解决方案(有和没有第一次出现约束)的改进,同时保持可解释性。
2020-07-27 cs.LG stat.AP stat.ML
Synthesising Electronic Health Records: Cystic Fibrosis Patient Group
Imperial College London(帝国理工学院);Accenture Labs(埃森哲实验室)
类不平衡通常会降低监督学习算法的预测性能。平衡类可以通过对精确副本进行过采样、噪声或最近邻之间的插值(如传统的SMOTE方法)来获得。在计算机视觉任务中,使用增强对表格数据进行过采样可以通过深度生成模型来实现。深度生成模型是有效的数据合成器,因为它们能够捕获复杂的底层分布。医疗保健中的合成数据可以通过确保患者隐私来增强医疗保健提供者之间的互操作性。医疗保健中的机器学习配备了能够很好地代表小患者群体的大型合成数据集,可以解决当前偏见和普遍性的挑战。本文评估了合成数据生成器合成患者电子健康记录的能力。我们测试了合成数据对患者结局分类的效用,观察到当用合成数据增强不平衡数据集时,预测性能有所提高。
2022-01-14 cs.AI cs.LG
GRAM: Graph-based Attention Model for Healthcare Representation Learning
Georgia Institute of Technology(佐治亚理工学院);Sutter Health(萨特医疗)
深度学习方法在医疗保健预测建模方面表现出了良好的性能,但仍然存在两个重要的挑战:-数据不足:通常在医疗保健预测建模中,样本量不足以让深度学习方法获得满意的结果。- 解释:通过深度学习方法学习的表示应该与医学知识保持一致。为了解决这些挑战,我们提出了一个基于GRAH的注意力模型,它补充了电子健康记录(EHR)与医疗本体固有的层次信息。基于数据量和本体结构,GRAM通过注意力机制将医学概念表示为本体中其祖先的组合。我们比较了两个连续诊断预测任务和一个心力衰竭预测任务中的递归神经网络(RNN)的预测性能(即准确性,数据需求,可解释性)。与基本的RNN相比,在预测训练数据中很少观察到的疾病方面,RNN实现了10%的高准确度,并且使用数量级更少的训练数据预测心力衰竭的ROC曲线下面积提高了3%。此外,与其他方法不同的是,通过XML学习的医学概念表示与医学本体很好地对齐。最后,当低层概念的数据不足时,神经网络通过自适应地泛化到高层概念来表现出直观的注意行为。
2017-04-01 cs.LG stat.ML
Interpretable Predictive Models for Healthcare via Rational Logistic Regression
National University of Singapore(新加坡国立大学)
针对深度学习在电子健康记录数据上表现不佳的问题,提出有理逻辑回归(RLR)模型,以标准逻辑回归为特例,基于有理级数理论处理纵向时间序列数据,学习可解释模式,并在真实临床任务中验证其有效性。
2024-11-05 cs.LG
Deep Classification Network for Monocular Depth Estimation
Carnegie Mellon University Africa(卡内基梅隆大学非洲分校);Carnegie Mellon University(卡内基梅隆大学)
单目深度估计通常被视为一个监督和回归问题时,它实际上是非常相似的语义分割任务,因为它们都是基本上像素级的分类任务。我们在离散化深度值时应用随深度增加的深度增量,然后应用Deeplab v2,结果精度更高。我们能够在KITTI数据集上实现最先进的结果,并以8%的优势优于现有架构。
2019-10-23 cs.CV cs.LG
iMedBot: A Web-based Intelligent Agent for Healthcare Related Prediction and Deep Learning
背景:乳腺癌是一种多因素疾病,遗传和环境因素会影响其发病概率。乳腺癌转移是美国癌症协会(ACS)报告的乳腺癌相关死亡的主要原因之一。方法:iMedBot是一个Web应用程序,我们使用Python Flask Web框架开发并部署在Amazon Web Services上。它包含一个前端和一个后端。后端由我们使用python Keras和scikit-learn包开发的python程序支持,可用于学习深度前馈神经网络(DFNN)模型。结果:iMedBot可以提供两个主要服务:1.它可以根据用户提供的一组临床信息预测5年、10年或15年的乳腺癌转移。预测是通过使用一组预训练的DFNN模型来完成的,2.它可以使用用户提供的数据集为用户训练DFNN模型。将使用AUC评价训练的模型,并提供AUC值和AUC ROC曲线。结论:iMedBot Web应用程序提供了一个用户友好的界面,用于进行个性化预测和模型训练的用户-代理交互。这是将深度学习研究成果转化为在线工具的初步尝试,可能会激发这一方向的进一步研究兴趣。关键词:深度学习,乳腺癌,Web应用,模型训练。
2022-10-07 cs.LG cs.NE
Data Encoding For Healthcare Data Democratisation and Information Leakage Prevention
University of Oxford(牛津大学);IIIT Delhi(德里印度理工学院)
针对医疗领域数据民主化不足与模型信息泄露问题,提出基于随机投影和随机量子编码的不可逆数据编码方案,在保留数据语义的同时降低模型信息泄露风险。
2023-05-05 cs.CR cs.LG
Healthcare cost prediction for heterogeneous patient profiles using deep learning models with administrative claims data
Santa Clara University(圣克拉拉大学);Arizona State University(亚利桑那州立大学)
针对行政理赔数据异质性及高需求患者预测公平性问题,提出按代码与成本分通道的深度学习框架,并用多通道熵评估异质性,显著降低误差、超额支付与支付不足。
2025-02-17 cs.CY cs.LG
SAIA: Split Artificial Intelligence Architecture for Mobile Healthcare System
University of South Florida(南佛罗里达大学)
随着深度学习、物联网和云计算技术在生物医学和医疗保健领域的应用,移动医疗系统受到了前所未有的关注。由于DL技术通常需要大量的计算,因此它们中的大多数不能直接部署在资源受限的移动和物联网设备上。因此,大多数移动医疗保健系统利用云计算基础设施,其中由移动和物联网设备收集的数据将被传输到云计算平台进行分析。然而,在竞争激烈的环境中,依赖云计算可能并不总是可行的。例如,卫星通信可能被拒绝或中断。我们提出了SAIA,一个分裂的人工智能架构的移动医疗保健系统。与传统的人工智能(AI)方法不同,SAIA不仅可以在无线通信可用的情况下依赖云计算基础设施,还可以利用在客户端本地工作的轻量级AI解决方案,因此,即使在通信受阻时也可以工作。在SAIA中,我们提出了一个基于元信息的决策单元,它可以调整客户端捕获的样本是否应该由嵌入式AI操作(即,保持在客户端上)或联网的AI(即,发送到服务器),在不同条件下。在我们的实验评估中,对两个流行的医疗数据集进行了广泛的实验。我们的研究结果表明,SAIA在有效性和效率方面始终优于其基线。
2020-05-09 cs.AI cs.CV cs.LG
Medical records condensation: a roadmap towards healthcare data democratisation
University of Oxford(牛津大学);Oxford Suzhou Centre for Advanced Research(牛津大学苏州高级研究中心);Fudan University(复旦大学);Imperial College London(帝国理工学院)
本文提出利用数据集浓缩(DC)技术实现医疗数据民主化,通过生成统计元数据在隐藏敏感信息的同时保留深度学习所需知识,促进临床数据高效共享与AI研究发展。
2024-01-08 cs.CY cs.LG
Predicting the Travel Distance of Patients to Access Healthcare using Deep Neural Networks
Chang Gung University(长庚大学);Academia Sinica(中央研究院)
目的:在卫生政策设计过程中,改善地理可及性仍然是确定区域医疗资源充足性的关键问题。然而,患者的选择可能是各种因素复杂互动的结果。本研究的目的是提出一种深度神经网络方法来模拟复杂的决定,病人选择的旅行距离,以获得医疗服务,这是一个重要的指标,决策分配资源。方法:我们使用台湾4年的全国保险数据,并积累了早期文献中讨论的可能特征。本研究提出使用基于卷积神经网络(CNN)的框架进行预测。模型性能与其他机器学习方法进行了测试。提出的框架进一步解释使用集成代理(IG)分析的特征权重。结果如下:我们成功地证明了使用基于CNN的框架来预测患者旅行距离的有效性,准确度为0.968,AUC为0.969,灵敏度为0.960,特异性为0.989。基于CNN的框架优于所有其他方法。在这项研究中,IG权重可能是可以解释的;然而,这种关系并不对应于公共卫生中的已知指标,类似于常见的共识。结论:我们的研究结果证明了基于深度学习的旅行距离预测模型的可行性。它具有指导资源分配决策的潜力。
2021-12-07 cs.LG
YouTube for Patient Education: A Deep Learning Approach for Understanding Medical Knowledge from User-Generated Videos
University of Utah(犹他大学);University of Arizona(亚利桑那大学);Michigan State University(密歇根州立大学);Carnegie Mellon University(卡内基梅隆大学)
YouTube为探索机器学习方法如何改善医疗保健信息传播提供了前所未有的机会。我们提出了一个跨学科的镜头,综合机器学习方法与医疗信息学的主题,以解决开发一个可扩展的算法解决方案,以评估视频从健康素养和患者教育的角度来看的关键问题。我们开发了一种深度学习方法来了解YouTube视频中编码的医学知识水平。初步结果表明,我们可以从YouTube视频中提取医学知识,并根据嵌入的知识对视频进行分类,具有令人满意的性能。深度学习方法在知识提取、自然语言理解和图像分类方面显示出巨大的潜力,特别是在以患者为中心的护理和精准医疗时代。
2018-07-06 cs.CV cs.LG stat.ML
Single image depth estimation by dilated deep residual convolutional neural network and soft-weight-sum inference
Northwestern Polytechnical University(西北工业大学);Australian National University(澳大利亚国立大学)
提出了一种新的残差卷积神经网络(CNN)结构,用于单幅图像的深度估计。与现有的基于深度CNN的方法相比,我们的方法用更少的训练样本和模型参数取得了更好的结果。我们的方法的优点来自于使用扩张卷积,跳跃连接结构和软加权和推理。在NYU Depth V2数据集上进行的实验评估表明,我们的方法在一定程度上优于其他最先进的方法。
2017-04-27 cs.CV cs.LG
FlexLoop: Depth-Elastic Looped Policies for Adaptive Test-Time Computation in Deep RL
Institute for Interdisciplinary Information Sciences, Tsinghua University(清华大学交叉信息研究院)
针对预训练循环策略在深度上特化导致无法弹性推理的问题,提出FlexLoop训练后框架,通过相邻深度蒸馏实现深度弹性,在保持性能的同时平均深度降低43%,速度提升1.34倍。
2026-09-29 cs.AI cs.LG
Audit to Forget: A Unified Method to Revoke Patients' Private Data in Intelligent Healthcare
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出审计引导遗忘与知识纯化方法,并开发开源软件AFS,统一实现智能医疗中患者隐私数据的使用审计与从预训练模型中的撤销,验证了其通用性。
2023-02-20 cs.CR cs.LG
CorGAN: Correlation-Capturing Convolutional Generative Adversarial Networks for Generating Synthetic Healthcare Records
Virginia Polytechnic Institute and State University (Virginia Tech)(弗吉尼亚理工学院暨州立大学(弗吉尼亚理工))
深度学习模型在图像分类和语音处理等领域表现出高质量的性能。然而,使用电子健康记录(EHR)数据创建深度学习模型需要解决该领域研究人员特有的特定隐私挑战。这件事的重点是在确保隐私的同时生成现实的合成数据。在本文中,我们提出了一种新的框架,称为相关捕获生成对抗网络(CorGAN),生成合成的医疗记录。在CorGAN中,我们利用卷积神经网络通过结合卷积生成对抗网络和卷积自动编码器来捕获数据表示空间中相邻医学特征之间的相关性。为了证明模型的保真度,我们展示了CorGAN在各种机器学习设置(如分类和预测)中生成的合成数据与真实数据的性能相似。我们还对合成数据的现实特征进行了隐私评估和统计分析。这项工作的软件是开源的,可在https://github.com/astorfi/cor-gan上获得。
2020-03-04 cs.LG stat.ML
Detection of Myocardial Infarction Based on Novel Deep Transfer Learning Methods for Urban Healthcare in Smart Cities
University of Jeddah(吉达大学);Menoufia University(米努菲亚大学);University of Bradford(布拉德福德大学);Sejong University(世宗大学);Misr Higher Institute of Commerce and Computers(米斯尔高等商业与计算机学院);Nile University(尼罗河大学);Harbin Institute of Technology(哈尔滨工业大学)
.在本文中,提出了一种有效的计算机辅助诊断(CAD)系统,使用卷积神经网络(CNN)检测MI信号,用于智慧城市中的城市医疗保健。采用两种类型的迁移学习技术对预先训练好的VGG-Net进行再训练(Fine-tuning和VGG-Net作为固定特征提取器),得到两个新的网络VGG-MI 1和VGG-MI 2。在VGG-MI 1模型中,VGG-Net模型的最后一层根据我们的要求被替换为特定的层,并优化了各种函数以减少过拟合。在VGG-MI2模型中,选择VGG-Net模型的一层作为ECG图像的特征描述符,以提供信息特征来描述ECG图像。考虑到数据集的可用性有限,ECG数据进行了扩充,提高了分类性能。Physikalisch-technische bundesanstalt(PTB)诊断ECG数据库用于实验,该数据库已广泛用于MI检测研究。在使用VGG-MI 1的情况下,我们实现了准确性、敏感性和特异性分别为99.02%、98.76%和99.17%,并且我们实现了准确性99.22%、敏感性99.15%和特异性99.49%与VGG-MI 2模型。实验结果验证了所提出的系统的准确性,灵敏度和特异性方面的效率。
2019-12-06 cs.LG eess.SP stat.ML
Towards Trustworthy Healthcare AI: Attention-Based Feature Learning for COVID-19 Screening With Chest Radiography
University of Waterloo(滑铁卢大学);National Research Council Canada(加拿大国家研究委员会)
构建具有可信度的AI模型非常重要,尤其是在医疗保健等受监管领域。在应对COVID-19时,以前的工作使用卷积神经网络作为骨干架构,这表明在做出决策时容易过度谨慎和过度自信,使它们不那么值得信赖-这是医学成像背景下的一个关键缺陷。在这项研究中,我们提出了一种使用Vision Transformers的特征学习方法,该方法使用基于注意力的机制,并研究了Transformers作为医学成像新骨干架构的表示学习能力。通过对COVID-19胸片进行分类的任务,我们调查了泛化能力是否仅受益于Vision Transformers的架构进步。定量和定性的评估进行的模型的可信度,通过使用“信任得分”计算和可视化的可解释性技术。我们的结论是,基于注意力的特征学习方法在为医疗保健构建值得信赖的深度学习模型方面很有前途。
2022-07-19 cs.CV cs.LG eess.IV