Predicting clinical significance of BRCA1 and BRCA2 single nucleotide substitution variants with unknown clinical significance using probabilistic neural network and deep neural network-stacked autoencoder
University of Zanjan（赞詹大学）；Zanjan University of Medical Sciences（赞詹医科大学）
非同义单核苷酸多态性（Non-synonymous single nucleotide polymorphisms，nsSNPs）是发生在基因编码区的单核苷酸取代，导致蛋白质氨基酸序列改变的现象。研究表明，这些变化可能与疾病有关。因此，研究nsSNPs对蛋白质功能的影响将更深入地了解nsSNPs如何导致疾病。乳腺癌是妇女中最常见的癌症，每年造成最高的癌症死亡率。BRCA 1和BRCA 2是两个主要的肿瘤抑制基因，它们的突变可以增加患乳腺癌的风险。对于癌症的预测和检测，可以使用实验或计算方法，但是与计算方法相比，实验方法非常昂贵且耗时。计算机和计算方法已经使用了30多年。在此，我们试图预测BRCA 1和BRCA 2 nsSNPs的临床意义以及未知的临床意义。从NCBI数据库中检索到近500个具有已知临床意义的BRCA 1和BRCA 2 nsSNP。根据疏水性或亲水性及其在蛋白质二级结构中的作用，将它们分为6组，每组都有分数。数据以自动预测机制，概率神经网络（PNN）和深度神经网络堆叠自动编码器（DNN）可接受的形式准备。通过Jackknife交叉验证，我们表明使用PNN对BRCA 1和BRCA 2的预测准确率分别为87.97%和82.17%，而使用DNN的准确率分别为95.41%和92.80%。训练和测试PNN所需的总处理时间为0.9秒，DNN需要大约7个小时的训练，并且可以立即预测…
2018-05-06 cs.LG physics.comp-ph stat.ML
Generating Digital Twins with Multiple Sclerosis Using Probabilistic Neural Networks
Unlearn.AI, Inc.（Unlearn.AI公司）
多发性硬化症（MS）是一种神经退行性疾病，其特征在于一组复杂的临床评估。我们使用一种称为条件限制玻尔兹曼机（CRBM）的无监督机器学习模型来学习通常用于表征MS临床试验中受试者及其疾病进展的协变量之间的关系。CRBM能够生成数字孪生，数字孪生是具有与实际受试者相同的基线数据的模拟受试者。数字双胞胎允许对疾病进展进行受试者水平的统计分析。CRBM是使用来自2395名受试者的数据进行训练的，这些受试者参加了MS三种主要亚型的临床试验的安慰剂组。我们讨论了CRBM是如何训练的，并表明该模型生成的数字双胞胎在统计学上与实际受试者的数据在许多方面没有区别。
2020-04-19 cs.LG q-bio.QM stat.ML
Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning
KAIST（韩国科学技术院）
尽管最近的多任务学习方法已被证明在提高深度神经网络的泛化能力方面是有效的，但对于安全关键型应用（如临床风险预测），应谨慎使用。这是因为即使它们实现了改进的任务平均性能，它们仍然可能在各个任务上产生降级的性能，这可能是关键的（例如，死亡风险预测）。现有的非对称多任务学习方法通过执行从低损失任务到高损失任务的知识转移来解决这种负转移问题。然而，使用损失作为可靠性的度量是有风险的，因为它可能是过拟合的结果。在时间序列预测任务的情况下，针对一个任务学习的知识（例如，预测脓毒症发作）对于学习另一个任务（例如，死亡率的预测），但是在每个时间步缺乏损失使得难以测量每个时间步的可靠性。为了捕捉这种动态变化的时间序列数据中的任务之间的不对称关系，我们提出了一种新的时间不对称多任务学习模型，执行知识转移从某些任务/时间步相关的不确定性任务，基于特征级的不确定性。我们针对各种用于时间序列预测的深度学习模型，在多个临床风险预测任务上验证了我们的模型，我们的模型明显优于这些模型，没有任何负转移的迹象。临床医生对所学知识图谱的进一步定性分析表明，它们有助于分析模型的预测。我们的最终代码可以在https://github.com/anhtuan5696/TPAMTL上找到。
2021-02-18 cs.LG stat.ML
Why Did This Model Forecast This Future? Closed-Form Temporal Saliency Towards Causal Explanations of Probabilistic Forecasts
Delft University of Technology（代尔夫特理工大学）
围绕低层次人类行为动态的预测任务对多个研究领域具有重要意义。在这种情况下，解释特定预测的方法可以使领域专家深入了解行为之间的预测关系。在这项工作中，我们介绍并解决以下问题：给定一个概率预测模型，我们如何确定观察到的窗口，该模型认为显着时，作出预测？我们建立在基于人类感知的信息理论显着性的一般定义基础上，并通过利用该领域的一个关键属性将其扩展到预测环境：单个观察可以导致多个有效的未来。我们建议表达的显着性观察到的窗口的差分熵的预测未来的分布。与现有的方法，要么需要显式训练的显着性机制或访问的预测模型的内部状态，我们获得了一个封闭形式的解决方案的显着性图中常用的密度函数在概率预测。我们经验性地展示了我们的框架如何使用合成的会话数据集从发言转向预测的样本任务的头部姿势特征中恢复显着的观察窗口。
2022-06-01 cs.AI cs.IT cs.LG
Why Machine Learning Integrated Patient Flow Simulation?
University of Gondar（贡德尔大学）；Loughborough University（拉夫堡大学）；ITMO University（ITMO大学）
可以使用模拟从临床和/或操作角度研究患者流分析。传统的统计方法，如随机分布方法已被用于构建患者流模拟子模型，如患者流入，住院时间（LoS），治疗成本（CoT）和临床路径（CP）模型。然而，病人流入显示出季节性、趋势和随时间的变化。LoS、CoT和CP显著取决于患者的属性以及临床和实验室检查结果。因此，使用传统统计方法构建的患者流模拟模型因忽视异质性及其对个性化和基于价值的医疗保健的贡献而受到批评。另一方面，机器学习方法已被证明是有效的研究和预测接纳率，LoS，CoT和CP。因此，本文介绍了为什么耦合机器学习与患者流模拟是重要的，并提出了一个概念架构，显示如何集成机器学习与患者流模拟。
2021-04-16 cs.AI cs.LG cs.MA
Assisting clinical practice with fuzzy probabilistic decision trees
Eindhoven University of Technology（埃因霍温理工大学）；University of Milano-Bicocca（米兰比可卡大学）；Bicocca Bioinformatics, Biostatistics and Bioimaging (B4) research center（比可卡生物信息学、生物统计学与生物成像（B4）研究中心）；University of Milan-Bicocca（米兰比可卡大学）；IRCCS Fondazione San Gerardo dei Tintori（IRCCS圣杰拉尔多·德伊·廷托里基金会）；IRCCS—Azienda Ospedaliero-Universitaria di Bologna（IRCCS博洛尼亚大学医院）；Alma Mater Studiorum University of Bologna（博洛尼亚大学）；Ca’ Foscari University of Venice（威尼斯大学）；University of Cambridge（剑桥大学）
本研究提出结合概率树与模糊逻辑的可解释FPT模型，通过不确定性估计与反事实分析降低误诊率，在甲状腺结节分类和肾病进展预测场景验证了其临床辅助价值。
2023-04-26 cs.AI cs.LG q-bio.QM
Bridging the Perceptual-Statistical Gap in Dysarthria Assessment: Why Machine Learning Still Falls Short
Samsung Research \& Development Institute Bengaluru, India\ .
本文剖析构音障碍自动评估中机器学习与人类专家性能差距的根源，提出“感知-统计差距”概念，并给出特征、预训练、多模态等策略及临床导向的评估方案。
2025-10-25 cs.LG eess.AS
What the Vec? Towards Probabilistically Grounded Embeddings
University of Edinburgh（爱丁堡大学）；Samsung AI Centre（三星人工智能中心）
Word2Vec（W2V）和GloVe是流行的、快速且有效的词嵌入算法。它们的嵌入被广泛使用，并在各种自然语言处理任务中表现良好。此外，W2V最近已被用于图嵌入领域，它支持几种领先的算法。然而，尽管它们普遍存在且模型架构相对简单，但对W2V和GloVe的嵌入参数学习了什么以及为什么在下游任务中有用的理论理解一直缺乏。我们发现，PMI向量之间的不同的相互作用反映了语义词的关系，如相似性和释义，编码在低维词嵌入下一个合适的投影，从理论上解释为什么嵌入的W2V和GloVe的工作。因此，我们也揭示了一个有趣的数学之间的相互联系所考虑的语义关系本身。
2019-11-11 cs.CL cs.LG stat.ML
MediFact at MEDIQA-CORR 2024: Why AI Needs a Human Touch
National University of Computer and Emerging Sciences (NUCES-FAST)（国家计算机与新兴科学大学（NUCES-FAST））
本文提出一种结合抽取式和生成式问答方法及领域特征工程的监督学习框架，用于自动纠正临床笔记中的单词错误，强调以人为中心的策略在医疗AI中的重要性。
2024-04-27 cs.AI cs.CL cs.LG
A Neurosymbolic Approach for Constructing Planning Domain Models from Clinical Narratives
针对临床叙事难以构建外科手术概率规划模型的问题，提出神经符号框架NSPIN，结合预训练LLM从2660份阑尾切除术记录生成的模型可泛化且符合临床实践。
2026-08-24 cs.LG
Integrating Probabilistic Trees and Causal Networks for Clinical and Epidemiological Data
Munster Technological University（芒斯特理工大学）；University of Cambridge（剑桥大学）；Université Caen Normandie（卡昂诺曼底大学）；ENSICAEN（卡昂高等工程师学院）；CNRS（法国国家科学研究中心）；Normandie Univ（诺曼底大学）；GREYC UMR6072；Queens University Belfast（贝尔法斯特女王大学）
本研究提出PCF框架，整合因果贝叶斯网络与概率树，在保持与传统ML模型相当预测性能的同时提供因果推理能力，支持干预模拟和可解释性分析，助力基于证据的临床决策。
2025-01-27 cs.LG q-bio.QM
SyncSDE: A Probabilistic Framework for Diffusion Synchronization
ECE, Seoul National University（电子工程系，首尔国立大学）；Republic of Korea Air Force（韩国空军）
本文提出概率框架SyncSDE，通过建模多扩散轨迹间相关性并按任务自适应选择最优相关模型，解决了现有启发式同步方法缺乏任务特异性且效果次优的问题。
2025-06-03 cs.CV cs.GR cs.LG
Probabilistic Machine Learning for Healthcare
Massachusetts Institute of Technology（麻省理工学院）；Vector Institute（向量研究所）；University of Toronto（多伦多大学）；New York University（纽约大学）；New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）
机器学习可用于理解医疗保健数据。概率机器学习模型有助于提供医疗保健中观察到的数据的全貌。在这篇综述中，我们研究了概率机器学习如何促进医疗保健。我们考虑预测模型构建管道中的挑战，其中概率模型可以是有益的，包括校准和缺失数据。除了预测模型，我们还研究了概率机器学习模型在表型分析、临床用例生成模型和强化学习中的效用。
2020-09-23 cs.CY cs.LG stat.ML
Why we do need Explainable AI for Healthcare
Institute of Logic, Language, and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）；Pacmed（Pacmed公司）；Amsterdam Business School, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹商学院）
最近经过认证的医疗保健人工智能（AI）工具的激增重新引发了关于采用这项技术的争论。这种争论的一个线索是可解释的人工智能及其使人工智能设备更加透明和可信的承诺。一些活跃在医疗人工智能领域的声音对可解释人工智能技术的可靠性表示担忧，质疑它们的使用和纳入指南和标准。回顾这些批评，本文对可解释人工智能的效用提供了一个平衡和全面的视角，重点关注人工智能临床应用的特殊性，并将其置于医疗干预的背景下。尽管存在合理的担忧，但我们认为，可解释的人工智能研究项目仍然是人机交互的核心，最终也是我们防止失控的主要工具，这种危险无法仅靠严格的临床验证来预防。
2022-06-30 cs.AI cs.HC cs.LG
Kernel Model Validation: How To Do It, And Why You Should Care
Argonne National Laboratory（阿贡国家实验室）
本文强调高斯过程预测的概率校准对不确定性量化的重要性，说明校准失败会损害目标自适应设计算法的收敛性，并提出利用多元正态性质进行协方差核验证的正式程序。
2025-09-17 cs.LG stat.ME stat.ML
Accelerating Stroke MRI with Diffusion Probabilistic Models through Large-Scale Pre-training and Target-Specific Fine-Tuning
Chandra Family Department of Electrical and Computer Engineering（查克拉家族电气与计算机工程系）；Department of Imaging Physics（成像物理系）；Dell Medical School Department of Neurology（德莱尔医学院神经学系）；Dell Medical School Department of Neurosurgery（德莱尔医学院神经外科系）；Dell Medical School Department of Diagnostic Medicine（德莱尔医学院诊断医学系）；Oden Institute for Computational Engineering and Sciences（奥登计算工程与科学研究院）
本文提出一种高效策略，利用扩散概率生成模型在有限数据下加速MRI重建，通过大规模预训练和目标特定微调实现临床中风MRI的快速扫描。
2026-03-13 cs.CV cs.LG eess.IV
Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs
McGill University（麦吉尔大学）；Microsoft Research（微软研究院）；Montreal Neurological Institute（蒙特利尔神经学研究所）；MILA (Quebec AI institute)（MILA（魁北克人工智能研究所））
针对多发性硬化症等复杂异质性疾病的进展预测难题，提出首个基于神经随机微分方程的随机因果时间框架，可结合影像与表格数据预测高置信度的个体化疾病轨迹和治疗效果，还能识别治疗应答高置信度患者亚组。
2024-06-18 cs.AI cs.LG eess.IV
Learning to Predict with Supporting Evidence: Applications to Clinical Risk Prediction
Massachusetts Institute of Technology（麻省理工学院）；Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）
机器学习模型对医疗保健的影响将取决于医疗保健专业人员对这些模型预测的信任程度。在本文中，我们提出了一种方法，为人们提供临床专业知识与领域相关的证据，为什么预测应该被信任。我们首先设计了一个概率模型，将有意义的潜在概念与预测目标和观测数据联系起来。在这个模型中，潜变量的推断对应于做出预测和为该预测提供支持证据。我们提出了一个两步的过程，以有效地近似推理：（i）估计模型参数，使用变分学习，和（ii）近似最大后验估计的模型中的潜变量使用神经网络，训练的目标来自概率模型。我们展示了预测心血管疾病患者死亡风险的任务的方法。具体来说，使用心电图和表格数据作为输入，我们表明，我们的方法提供了适当的领域相关的支持证据，准确的预测。
2021-03-04 cs.LG
Clinical Uncertainty Impacts Machine Learning Evaluations
Department of Computer Science Joint first authorship.Joint last authorship（计算机科学系（联合第一作者，联合最后作者））；Department of Biomedical Engineering University of Basel Switzerland（生物医学工程系（巴塞尔大学，瑞士））；Department of Dermatology University Hospital of Basel Switzerland（皮肤科系（巴塞尔大学医院，瑞士））
针对临床数据集标注不确定性被典型聚合程序掩盖的问题，提出采用直接对分布操作的概率指标明确考虑该不确定性，其计算轻量且独立于标注生成过程，能改善模型评估以更好反映临床数据。
2025-11-11 cs.AI cs.CV cs.LG
MoBayes: A Modular Bayesian Framework for Separating Reasoning from Language in Conversational Clinical Decision Support
LiGHT, EPFL（LiGHT，瑞士联邦理工学院）；University of Bern（伯尔尼大学）；Aarhus University（奥胡斯大学）
提出MoBayes框架，通过将LLM作为语言接口、贝叶斯模块进行概率推理，实现推理与语言分离，在临床决策支持中优于独立前沿LLM医生。
2026-05-24 cs.AI cs.CL cs.LG
Toward Optimal Probabilistic Active Learning Using a Bayesian Approach
University of Kassel（卡塞尔大学）；Utrecht University（乌得勒支大学）
收集标记数据以训练性能良好的机器学习模型是许多应用中的关键挑战之一。主动学习旨在通过高效和有效地分配昂贵的标签资源来降低标签成本。在这篇文章中，我们提出了一个决策理论的选择策略，（1）直接优化误分类误差的增益，（2）使用贝叶斯方法，通过引入共轭先验分布来确定类后验来处理不确定性。通过在我们提出的模型中重新制定现有的选择策略，我们可以解释哪些方面在当前最先进的技术中没有涵盖，以及为什么这会导致我们的方法具有优异的性能。大量的各种数据集和不同的内核上的实验验证了我们的主张。
2020-06-02 cs.LG stat.ML
Why Adaptively Collected Data Have Negative Bias and How to Correct for It
Stanford University（斯坦福大学）
从科学实验到在线A/B测试，先前观察到的数据往往会影响未来实验的执行方式，进而影响将收集哪些数据。这种适应性在数据和收集程序之间引入了复杂的关联。本文证明了当数据采集过程满足自然条件时，数据的样本均值具有系统性\emph{negative}偏差。作为一个例子，考虑一个适应性临床试验，其中更多的数据点更有可能被测试用于显示初步前景的治疗。我们令人惊讶的结果意味着观察到的平均处理效应会低估每种处理的真实效果。我们定量地分析了在各种环境中这种负偏差的大小和行为。我们还提出了一种新的基于选择性推理技术的去偏置算法。实验结果表明，该方法能有效地减小偏差和估计误差。
2017-12-30 cs.LG stat.ML
Modular Clinical Decision Support Networks (MoDN) -- Updatable, Interpretable, and Portable Predictions for Evolving Clinical Environments
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
数据驱动的临床决策支持系统（CDSS）有可能通过个性化的概率指导来改善和简化护理。然而，所需数据的大小需要从类似的CDSS中进行协作学习，这些CDSS通常是不可共享或不完全互操作的（IIO），这意味着它们的特征集并不完全重叠。我们提出了模块化临床决策支持网络（MoDN），它允许跨IIO数据集进行灵活的、隐私保护的学习，同时为临床医生提供可解释的、连续的预测反馈。MoDN是一种由特定特征的神经网络模块组成的新型决策树。它创建了患者的动态个性化表示，并可以对诊断进行多种预测，在咨询的每个步骤都可以更新。模块化设计允许它将训练更新划分为特定功能，并在IIO数据集之间协作学习，而无需共享任何数据。
2022-11-12 cs.LG
Learning Predictive Checklists with Probabilistic Logic Programming
Indian Institute of Technology, Delhi（印度理工学院德里分校）；KU Leuven（鲁汶大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究院）
针对现有预测性检查表学习方法限于布尔数据的问题，提出基于概率逻辑编程的新方法，可从图像、时间序列等多模态数据中学习，并通过正则化平衡信息捕获与可解释性，性能优于现有可解释技术。
2024-11-25 cs.LG
Beyond the Model: The Critical Role of Data Filtering in Clinical Machine Learning
University of Guelph（圭尔夫大学）
本文强调临床机器学习中数据过滤决策的重要性，主张将其视为科学方法的一部分，并呼吁建立可解释、透明的预处理流程以理解其对数据分布和模型性能的影响。
2026-10-06 cs.LG
Theoretical Connection between Locally Linear Embedding, Factor Analysis, and Probabilistic PCA
University of Waterloo（滑铁卢大学）
局部线性嵌入（LLE）是一种非线性谱降维和流形学习方法。它有两个主要步骤，分别是输入空间和嵌入空间中的点的线性重构和线性嵌入。在这项工作中，我们从随机的角度来看线性重建步骤，假设每个数据点都以其线性重建权重为条件作为潜在因素。采用期望最大化方法求解LLE的随机线性重构问题。我们表明，有三个基本的降维方法，即，LLE、因子分析和概率主成分分析（PCA）。LLE的随机线性重构类似于因子分析和概率PCA。并解释了因子分析和概率主成分分析是线性的，而LLE是非线性的原因。这项工作结合了两种广泛的降维方法并在两者之间架起了桥梁，即，频谱和概率算法
2022-08-10 cs.LG stat.ML
Generative Modeling of Clinical Time Series via Latent Stochastic Differential Equations
Department of Machine Learning and Neural Computing, Donders Institute for Brain, Cognition and Behaviour, Radboud University（机器学习与神经计算系，多纳德斯脑认知行为研究所，拉德堡德大学）
本文提出基于潜在神经随机微分方程的生成建模框架，用于处理临床时间序列数据中的不规则采样和不确定性，通过模拟和真实数据验证，实现了比传统方法更准确的预测和不确定性估计。
2025-11-20 cs.AI cs.LG
Generalizing Clinical Trials with Convex Hulls
随机临床试验消除了混杂因素，但实施了严格的排除标准，将招募限制在人群的一个子集。观察性数据集更具包容性，但存在混淆-由于部分优化的医生处方模式，通常提供对治疗反应随时间推移的过度乐观估计。因此，我们假设无混杂因素的治疗应答介于治疗分配前的观察估计值和治疗分配后的观察估计值之间。这一假设使我们能够通过使用一种称为凸壳优化（OCH）的算法同时分析观察和试验数据，将独家试验的结果外推到更广泛的人群中。OCH表示处理效应，或者用条件期望的凸包表示，或者用条件密度的凸包（也称为混合）表示。该算法首先使用观察数据学习组分期望值或密度，然后使用试验数据学习线性混合系数，以近似真实的处理效应;理论重要地解释了为什么这种线性组合应该成立。OCH在预期和密度方面估计处理效应，具有最先进的准确性。
2022-10-28 cs.LG stat.ME stat.ML
A streamable large-scale clinical EEG dataset for Deep Learning
Child Mind Institute（儿童心理研究所）；UC San Diego（加州大学圣地亚哥分校）；Appasamy Associates Private Limited（Appasamy 私人有限公司）；Paul Sabatier University（保罗·萨巴捷大学）；CNRS（法国国家科学研究中心）
深度学习已经彻底改变了各个领域，包括计算机视觉、自然语言处理以及生物医学研究。在神经科学领域，特别是在电生理神经成像领域，研究人员开始探索利用深度学习来预测他们的数据，而无需广泛的特征工程。大规模数据集的可用性是允许深度学习模型实验的关键方面。我们正在发布第一个大规模临床EEG数据集，简化了深度学习的数据访问和管理。该数据集包含来自健康大脑网络的1，574名青少年参与者的闭眼EEG数据。我们展示了一个集成该框架的用例，并讨论了为什么向社区提供这样的神经信息学基础设施对未来的科学发现至关重要。
2022-04-13 cs.LG
Phenotype Inference with Semi-Supervised Mixed Membership Models
Columbia University（哥伦比亚大学）
疾病表型分析算法处理观察性临床数据以识别患有特定疾病的患者。有监督的表型分析方法需要大量的专家标记数据，而无监督的方法可以学习非疾病表型。为了解决这些限制，我们提出了半监督混合成员模型（SS 3 M）-一种概率图形模型，用于从具有相对较少标签的临床数据中学习疾病表型。我们表明SS 3 M可以学习可解释的疾病特异性表型，这些表型捕获了所提供的标签指定的疾病的临床特征。
2019-03-26 cs.LG q-bio.QM stat.ML
Bridging the gap between AI and Healthcare sides: towards developing clinically relevant AI-powered diagnosis systems
The University of Tokyo（东京大学）；LPIXEL Inc.（LPIXEL公司）；National Institute of Informatics（国立信息学研究所）；University of Cambridge（剑桥大学）；Keio University（庆应义塾大学）
尽管基于卷积神经网络的计算机辅助诊断研究取得了成功，但其临床应用仍然具有挑战性。因此，开发适合临床环境的医疗人工智能（AI）需要识别/弥合AI和医疗保健之间的差距。由于医学成像的最大问题在于数据缺乏，因此确认研究证明的图像增强技术的诊断临床相关性至关重要。因此，我们在日本医疗成像专家，医生和医疗保健/信息学的通才之间举办了一个具有临床价值的AI展望研讨会。然后，针对医生的问卷调查从数据增强和医生培训方面评估了我们基于病理感知的生成对抗网络（GAN）的图像增强项目。研讨会揭示了人工智能/医疗保健方面与解决方案之间的内在差距（即，临床意义/解释）和如何（即，数据采集、商业部署和安全/感觉安全）。该分析证实了我们的病理感知GANs作为临床决策支持系统和非专家医生培训工具的临床相关性。我们的研究结果将在连接跨学科研究和临床应用方面发挥关键作用，而不仅限于日本的医学背景和病理感知GANs。
2020-04-06 cs.CV cs.LG eess.IV
Why ML-based cough models do not generalize: a systematic cross-dataset evaluation for tuberculosis screening
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心）；University of the Basque Country (EHU)（巴斯克大学）
本研究通过跨数据集评估发现，基于机器学习的咳嗽结核病分类器泛化能力差，采集设备等数据相关变异性是主因，强调其临床应用前需外部验证。
2026-08-27 cs.AI cs.LG cs.SD
A Probabilistic U-Net for Segmentation of Ambiguous Images
DeepMind；Division of Medical Image Computing, German Cancer Research Center, Heidelberg, Germany（德国癌症研究中心医学影像计算部，海德堡，德国）
许多现实世界的视觉问题都存在固有的模糊性。例如，在临床应用中，仅从CT扫描可能无法清楚哪个特定区域是癌组织。因此，一组分级者通常产生一组多样但合理的分割。我们考虑的任务是在给定输入的情况下学习分割的分布。为此，我们提出了一个生成分割模型的基础上的组合的U-网与条件变分自编码器，能够有效地产生无限数量的似是而非的假设。我们在肺部异常分割任务和Cityscapes分割任务上显示，我们的模型再现了可能的分割变体以及它们发生的频率，这样做明显优于已发表的方法。这些模型可以在现实世界的应用中具有很高的影响，例如被用作临床决策算法，考虑多个合理的语义分割假设，以提供可能的诊断并推荐进一步的行动来解决目前的模糊性。
2019-01-29 cs.CV cs.LG cs.NE
Bayesian Integration of Nonlinear Incomplete Clinical Data
Department of Signal Theory and Communications, Universidad Carlos III de Madrid（信号理论与通信系，卡洛斯三世大学）
BIONIC通过联合生成-判别潜在架构整合异质多模态临床数据，在缺失性下实现稳健学习和高判别性能，同时提供内在可解释性。
2026-02-02 cs.CY cs.LG
From Images to Probabilistic Anatomical Shapes: A Deep Variational Bottleneck Approach
Scientific Computing and Imaging Institute（科学计算与成像研究所）；University of Utah（犹他大学）
直接从3D医学图像进行统计形状建模（SSM）是一种未充分利用的工具，用于检测病理、诊断疾病和进行群体级形态学分析。深度学习框架通过减少传统SSM工作流程中专家驱动的手动和计算开销，提高了在医疗实践中采用SSM的可行性。然而，将这样的框架转化为临床实践需要校准的不确定性度量，因为神经网络可以产生在敏感的临床决策中不能信任的过度自信的预测。用于预测具有任意（数据相关）不确定性的形状的现有技术利用与模型训练隔离地计算的基于主成分分析（PCA）的形状表示。该约束将学习任务限制为仅从3D图像估计预定义的形状描述符，并且在该形状表示和输出之间强加线性关系（即，形状）空间。在本文中，我们提出了一个原则性的框架的基础上变分信息瓶颈理论放松这些假设，同时预测解剖结构的概率形状直接从图像中没有监督编码的形状描述符。在这里，潜在表示是在学习任务的上下文中学习的，从而产生更可扩展、更灵活的模型，可以更好地捕捉数据的非线性。此外，该模型是自正则化的，并且在给定有限的训练数据的情况下更好地泛化。我们的实验表明，所提出的方法提供了更高的精度和更好的校准任意不确定性估计比国家的最先进的方法。
2022-05-13 cs.CV cs.LG
Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks
Information Processing and Telecommunications Center, ETSI Telecomunicación, Universidad Politécnica de Madrid, Spain（信息处理与电信中心，电信工程学院，马德里理工大学，西班牙）
提出多模态深度学习框架SAMVAE，整合临床、分子与病理图像等六种模态数据，首次在建模连续事件时间下纳入竞争风险，在乳腺癌和胶质瘤队列中实现高竞争力的生存预测。
2025-07-10 cs.LG
Foundation Models in Radiology: What, How, When, Why and Why Not
Stanford University（斯坦福大学）；University of Zurich（苏黎世大学）；University Hospital Zurich（苏黎世大学医院）
本文综述了放射学领域基础模型的标准化术语、训练数据要求、训练范式、能力与评估策略，并探讨了训练放射学专用基础模型的路径、益处与挑战，旨在安全统一技术进步与临床需求。
2025-02-06 cs.LG
Sample-targeted clinical trial adaptation
Centre for Pattern Recognition and Data Analytics, Deakin University（迪肯大学模式识别与数据分析中心）
临床试验适应是指试验开始后对试验方案的任何调整。其主要目标是通过减少与评估其安全性和有效性相关的成本和时间，使向患者引入新的医疗干预措施的过程更加有效。主要的问题是，应如何进行改编，以尽量减少扭曲审判结果的机会。我们提出了一种新的方法来实现这一点。与以前的工作不同，我们的方法侧重于通过样本量调整进行试验适应。我们采用了最近提出的分层框架的基础上收集的辅助数据，并表明，这些信息与主要测量变量可以用来使一个特定的子组的样本应该被删除的概率知情的选择。仿真数据的实验结果表明了该方法的有效性及其在实际中的应用。
2014-11-14 cs.LG
Diffusion Probabilistic Generative Models for Accelerated, in-NICU Permanent Magnet Neonatal MRI
Chandra Family Department of Electrical and Computer Engineering The University of Texas at Austin（电气与计算机工程系Chandra家族部门德克萨斯大学奥斯汀分校）；Department of Imaging Physics MD Anderson Cancer Center（成像物理系MD安德森癌症中心）；Department of Diagnostic Medicine The University of Texas at Austin Dell Medical School（诊断医学系德克萨斯大学奥斯汀分校Dell医学院）；Oden Institute for Computational Engineering and Sciences The University of Texas at Austin（计算工程与科学学院Oden研究所德克萨斯大学奥斯汀分校）
本研究提出一种扩散概率生成模型流程，通过架构修改、类别嵌入、自监督去噪和后验样本平均，加速NICU内永磁新生儿MRI，实验表明1.5倍欠采样重建图像可临床使用。
2025-05-21 cs.LG eess.IV physics.med-ph
Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and Incomplete Clinical Data
University College London（伦敦大学学院）
特发性肺纤维化（IPF）是一种不可阻挡的进行性纤维化肺病，其进展速度可变且不可预测。肺部CT扫描为IPF患者的临床评估提供信息，并包含与疾病进展相关的信息。在这项工作中，我们提出了一种多模式方法，该方法使用神经网络和记忆库来预测IPF患者的生存期，使用临床和成像数据。大多数临床IPF患者记录有缺失数据（例如，缺失肺功能检查）。为此，我们提出了一个概率模型，捕捉观察到的临床变量之间的依赖关系和插补缺失的。这种缺失数据插补的原则性方法可以自然地与深度生存分析模型相结合。我们表明，该框架产生显着更好的生存分析结果比基线的一致性指数和综合Brier评分。我们的工作还提供了与死亡率相关的新的基于图像的生物标志物的见解。
2022-03-21 cs.CV cs.LG eess.IV
A Pipeline for Integrated Theory and Data-Driven Modeling of Genomic and Clinical Data
University of Pittsburgh（匹兹堡大学）
高通量基因组测序技术，如RNA-Seq和微阵列，通过在颗粒水平上实现基因组的高通量测量，有可能改变临床决策和生物医学研究。然而，为了真正了解疾病的原因和医疗干预的效果，这些数据必须与来自个体的表型，环境和行为数据相结合。此外，有效的知识发现方法，可以推断这些数据类型之间的关系是必需的。在这项工作中，我们提出了一个从综合基因组和临床数据中发现知识的管道。该管道从一种新颖的变量选择方法开始，并使用概率图模型来理解数据中特征之间的关系。我们展示了这个管道如何改善乳腺癌结果预测模型，并可以提供一个生物学上可解释的测序数据。
2020-05-05 cs.LG q-bio.GN q-bio.QM
Learning from Clinical Judgments: Semi-Markov-Modulated Marked Hawkes Processes for Risk Prognosis
University of California, Los Angeles（加州大学洛杉矶分校）；University of Oxford（牛津大学）
普通病房的重症患者容易发生意外不良事件，需要立即转移到重症监护室（ICU）。为了使恶化的患者的准确预后，我们开发了一种新的连续时间概率模型的监测患者的生理数据的时间序列。我们的模型捕获“信息采样”患者事件：临床医生关于何时观察住院患者的生命体征和实验室检查的决定由标记的Hawkes过程表示，强度参数由患者的潜在临床状态调制，并且可观察到的生理数据（标记过程）建模为切换多任务高斯过程。此外，我们的模型捕捉“信息审查”患者的情节，代表患者的潜在临床状态作为一个吸收半马尔可夫跳跃过程。通过基于EM的算法从电子健康记录中的离线患者事件学习模型参数。对一个大型医疗中心收治的一组患者进行的为期3年的实验表明，基于我们模型的风险预测显著优于目前部署的医疗风险评分和其他基线机器学习算法。
2017-05-15 cs.LG
A hybrid machine learning/deep learning COVID-19 severity predictive model from CT images and clinical data
Fondazione Poliambulanza Istituto Ospedaliero（波利安布拉扎基金会医院研究所）；Tattile s.r.l.（塔蒂莱有限公司）
COVID-19的临床表现和预后变化很大，从无症状和少症状病例到急性呼吸窘迫综合征和多器官受累。我们开发了一个混合机器学习/深度学习模型，将患者分为两个结局类别，即非ICU和ICU（重症监护入院或死亡），使用了2020年2月/5月在意大利北部一家医院住院的558名患者。基线CT图像上的全3D患者级CNN分类器用作特征提取器。提取的特征，以及实验室和临床数据，在Boruta算法中使用SHAP游戏理论值进行选择。使用CatBoost梯度提升算法在缩减的特征空间上构建分类器，并在保持测试集上达到0.949的概率AUC。该模型旨在为医生提供临床决策支持，具有属于结果类的概率得分和基于病例的SHAP特征重要性解释。
2021-05-13 cs.CV cs.LG eess.IV
Making sense of violence risk predictions using clinical notes
Utrecht University（乌得勒支大学）；Eindhoven University of Technology（埃因霍温理工大学）；University Medical Center Utrecht（乌得勒支大学医学中心）
精神病院的暴力风险评估有助于采取干预措施，避免暴力事件。由从业人员撰写并可在电子健康记录（EHR）中获得的临床笔记是宝贵的资源，很少被充分利用。以前的研究曾试图使用这种笔记来评估精神病患者的暴力风险，其性能可以接受。然而，他们没有解释为什么分类工作，以及如何改进它。我们探讨了两种方法，以更好地了解在临床笔记分析的上下文中的分类器的质量：随机森林使用主题模型，并选择评估指标。这些方法使我们能够更深刻地理解我们的数据和方法，为基于这种理解的改进模型奠定基础。这是特别重要的，当涉及到的一般性评估分类新数据，可信度问题，是非常感兴趣的，由于增加了新的电子格式的数据的可用性。
2022-04-29 cs.CL cs.CY cs.LG
A Differentially Private Probabilistic Framework for Modeling the Variability Across Federated Datasets of Heterogeneous Multi-View Observations
Inria（法国国家信息与自动化研究所）
提出一种基于分层贝叶斯模型的差分隐私联邦学习框架，通过EM算法优化异构多视图数据差异建模，在阿尔茨海默病分布式数据集上验证了鲁棒性与高重建质量。
2022-04-26 cs.DC cs.LG stat.AP
