Machine Learning Approaches for Diagnostics and Prognostics of Industrial Systems Using Open Source Data from PHM Data Challenges: A Review
Center for Industrial Artificial Intelligence（工业人工智能中心）；University of Maryland（马里兰大学）
在预测与健康管理（PHM）领域，近年来机器学习（ML）的应用显著激增。尽管有这种增长，但该领域仍然缺乏统一的指导方针和系统的方法来有效地实施这些ML技术，并对各种场景中的工业开源源数据进行全面分析。为了解决这些差距，本文使用PHM Society和IEEE Reliability Society在2018年至2023年期间举办的PHM Data Challenge Competitions的开源数据集，对用于工业系统诊断和故障诊断的ML方法进行了全面的回顾，并总结了一个统一的ML框架。本文系统地对这些竞赛中展示的问题、挑战、方法和进步进行了分类和审查，突出了传统机器学习和深度学习在处理与检测、诊断、评估和预后相关的复杂工业任务中不断发展的作用。此外，本文深入研究了PHM数据挑战赛的共同挑战，强调数据相关和模型相关的问题，并评估这些比赛的局限性。还总结了应对这些挑战的潜在解决方案。最后，我们确定了未来研究的关键主题和潜在方向，为下一代ML-PHM在PHM领域的发展提供了机会和前景。
2024-09-18 cs.AI cs.LG
Enhancing SHAP Explainability for Diagnostic and Prognostic ML Models in Alzheimer Disease
本文提出多级框架提升AD诊断预后模型SHAP解释的稳健性和一致性，通过整合相干性、稳定性与跨任务一致性验证解释的可靠性。
2026-03-06 cs.AI cs.LG
Nervus: A Comprehensive Deep Learning Classification, Regression, and Prognostication Tool for both Medical Image and Clinical Data Analysis
Osaka Metropolitan University（大阪公立大学）；Smart Life Science Lab, Center for Health Science Innovation, Osaka Metropolitan University（大阪公立大学健康科学创新中心智能生命科学实验室）
我们研究的目标是创建一个全面而灵活的库，易于用于医学成像研究，并能够处理灰度图像，多输入（图像和表格数据）和多标签任务。我们把它命名为神经。基于PyTorch库，它适合用于研究目的的AI，我们创建了一个由四部分组成的模型来处理全面的输入和输出。神经由四部分组成。首先是数据加载器，然后是特征提取器，特征混合器，最后是分类器。数据加载器对输入数据进行预处理，特征提取器提取训练数据和地面真值标签之间的特征，特征混合器混合提取器的特征，分类器基于任务对来自特征混合器的输入数据进行分类。我们创建了Nervus，这是一个全面而灵活的模型库，易于用于医学成像研究，可以处理灰度图像，多输入和多标签任务。这将有助于放射学领域的研究人员。
2022-12-12 cs.CV cs.LG eess.IV
Computational framework for real-time diagnostics and prognostics of aircraft actuation systems
Politecnico di Torino（都灵理工大学）；Massachusetts Institute of Technology（麻省理工学院）
预测与健康管理（PHM）是一种新兴的产品生存周期管理方法，它将维护系统的安全性，提高可靠性，同时降低运行和维护成本。这对于航空航天系统尤其重要，因为航空航天系统同时需要高水平的完整性和高性能。提出了一种新的动态装配体故障实时的【形】检测与识别（FDI）以及系统剩余使用寿命（RUL）估计策略。如果能够及时估计系统的健康状况，就可以在知情的情况下对维护进行适应性规划，并对任务剖面进行动态重新配置，从而降低运营成本并提高可靠性。这项工作解决了预测流程的三个阶段-即（1）信号采集，（2）故障检测和识别，以及（3）剩余使用寿命估计-并介绍了一个计算效率高的程序，适用于实时的【形】，板载执行。为了实现这一目标，我们建议将来自不同保真度的物理模型的信息与机器学习技术相结合，以获得适用于几乎实时的【形】应用的有效表示（代理模型）。此外，我们提出了一种重要性采样策略和一种新的动力系统损伤传播建模方法。该方法进行评估的FDI和RUL估计的飞机机电作动器（EMA）的二次飞行控制。结果表明，所提出的方法允许在系统的RUL的评估精度高，同时优于常见的基于模型的技术在计算时间。
2020-09-30 cs.CE cs.LG cs.SY
A multiobjective deep learning approach for predictive classification in Neuroblastoma
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
神经母细胞瘤是一种高度异质性的癌症，具有非常多样化的临床病程，可能从自发消退到致命进展不等;诊断时准确的患者风险估计对于设计适当的肿瘤治疗策略至关重要。神经母细胞瘤是一种典型疾病，其中不同的诊断和预后终点应根据常见的分子和临床信息进行预测，复杂性不断增加，如FDA MAQC-II研究所示。在这里，我们介绍了由8层组成的新型多目标深度学习架构CDRP（级联诊断复发预后），以从高通量转录组学数据中获得组合的诊断和预后预测。两种不同的损失函数分别针对无事件生存期（EFS）和总生存期（OS）预后进行了优化。我们使用高风险（HR）诊断信息作为自动编码器嵌入生成的额外输入。后者被用作网络调节器，基于通常用于从癌症阶段、疾病发病年龄和特异性分子标记MYCN对患者进行分层的临床算法。该架构应用于测序质量控制（SEQC）研究中498例神经母细胞瘤患者（176例高危）的Illumina HiSeq 2000 RNA-Seq，获得了诊断终点的最新技术水平，并改善了HR队列的预后预测。
2018-02-22 cs.LG q-bio.QM
A Machine Learning Challenge for Prognostic Modelling in Head and Neck Cancer Using Multi-modal Data
University of Toronto（多伦多大学）；Princess Margaret Cancer Centre（玛格丽特公主癌症中心）；TECHNA Institute（TECHNA研究所）
个体患者的准确预后是精确肿瘤学的关键组成部分。机器学习的最新进展使模型的开发能够使用更广泛的数据，包括成像。放射组学旨在从常规医学成像中提取定量预测和预后生物标志物，但计算机断层扫描放射组学用于预后的证据仍不确定。我们进行了一项机构机器学习挑战，以开发一个准确的模型，用于使用从电子病历和治疗前放射图像中提取的临床数据预测头颈癌的总生存率，并评估放射组学对头颈癌预后的真正附加益处。我们使用2,552例患者的大型回顾性数据集和严格的评估框架，分别或结合使用成像和临床数据比较了12份不同的提交资料。获胜的方法对临床数据和肿瘤体积进行了非线性、多任务学习，实现了2年和终身生存预测的高预后准确性，并优于仅依赖临床数据、工程放射组学和深度学习的模型。在集成模型中组合所有提交的结果提高了准确性，其中基于图像的深度学习模型的增益最高。我们的研究结果显示了机器学习和简单、信息丰富的预后因素与大型数据集相结合作为指导个性化癌症护理的工具的潜力。
2021-01-28 cs.LG eess.IV
Towards Unified and Data-Efficient Prognostics and Health Management with Tabular Foundation Models
IMOS Lab, EPFL（IMOS实验室，瑞士联邦理工学院）
提出利用表格基础模型通过上下文学习处理工业时间序列，实现预测与健康管理（PHM）任务，在低数据场景下表现优异，并优于序列模型和梯度提升树。
2026-06-03 cs.AI cs.LG eess.SP
Deep Learning in Alzheimer's disease: Diagnostic Classification and Prognostic Prediction using Neuroimaging Data
Indiana University School of Medicine（印第安纳大学医学院）；Indiana Alzheimer Disease Center（印第安纳阿尔茨海默病中心）；Indiana University Network Science Institute（印第安纳大学网络科学研究所）
深度学习在识别复杂高维数据中的复杂结构方面表现出了出色的性能，特别是在计算机视觉领域。深度学习在阿尔茨海默病（AD）早期检测和自动分类中的应用最近受到了相当大的关注，因为神经成像技术的快速发展已经产生了大规模的多模态神经成像数据。对使用深度学习方法和神经影像学数据进行AD诊断分类的出版物进行了系统综述。使用PubMed和Google Scholar检索来识别2013年1月至2018年7月期间发表的关于AD的深度学习论文。对这些文献进行了综述、评价，并按算法和神经影像学类型进行分类，并对结果进行了总结。在16项符合完整入选标准的研究中，4项使用了深度学习和传统机器学习方法的组合，12项仅使用了深度学习方法。传统的机器学习分类和堆叠式自动编码器（SAE）特征选择相结合，产生了高达98.8%的AD分类准确率和83.7%的轻度认知障碍（MCI），AD的前驱阶段，AD的转换预测。深度学习方法，如卷积神经网络（CNN）或递归神经网络（RNN），使用神经成像数据而不进行预处理进行特征选择，AD分类的准确率高达96.0%，MCI转换预测的准确率高达84.2%。当多模态神经成像和流体生物标志物相结合时，获得了最佳的分类性能。使用深度学习的AD研究仍在不断发展，通过整合额外的混合数据类型来提高性能，通过增加特定疾病相关特征和机制的知识的可解释方法来提高透明度。
2019-08-20 cs.LG eess.IV stat.ML
Learning Prognostic Variables for AI Convective Parameterizations via Symbolic Distillation
Deutsches Zentrum für Luft- und Raumfahrt（德国航空航天中心）；University of Bremen（不来梅大学）；University of Lausanne（洛桑大学）；University of New South Wales（新南威尔士大学）
本研究通过符号蒸馏学习预报变量，为AI对流参数化引入记忆机制，改善气候统计和日循环。
2026-09-22 cs.LG physics.ao-ph
AutoPrognosis: Automated Clinical Prognostic Modeling via Bayesian Optimization with Structured Kernel Learning
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Alan Turing Institute（艾伦·图灵研究所）
从大规模医疗数据中获得的临床预后模型可以为关键的诊断和治疗决策提供信息。为了使机器学习（ML）在预后研究中的离线使用成为可能，我们开发了AUTOPROGNOSIS：一种用于自动设计为临床预后量身定制的预测建模管道的系统。AUTOPROGNOSIS使用一种新的批处理贝叶斯优化（BO）算法有效地优化了管道配置的集合，该算法在BO过程的同时学习管道高维超参数空间的低维分解。这是通过将管道性能建模为具有高斯过程先验的黑盒函数，并通过具有Dirichlet先验的稀疏加性核来建模管道基线算法之间的相似性来实现的。元学习用于通过使用模拟经验贝叶斯方法的算法校准先验来用来自类似患者队列的外部数据暖启动BO。该系统通过向临床医生提供逻辑关联规则来自动解释其预测，这些规则将患者特征与预测的风险层联系起来。我们使用10个代表心血管患者护理各个方面的主要患者队列来证明AUTOPROGNOSIS的效用。
2018-02-20 cs.LG stat.ML
XAI Renaissance: Redefining Interpretability in Medical Diagnostic Models
本文综述可解释人工智能在医疗诊断模型中的创新方法与关键进展，通过揭示决策过程提升医护人员对模型的理解、信任与使用，并改善患者结局。
2023-06-02 cs.AI cs.LG
RAG4Outcome: A Retrieval-Augmented Multimodal Framework for Prognostic Prediction in Chronic Osteomyelitis
Queen Mary University of London（女王玛丽大学）；Shanghai Sixth People’s Hospital Affiliated to SJTU School of Medicine（上海第六人民医院附属复旦大学医学院）；University College London（大学学院伦敦）
提出RAG4Outcome框架，通过检索增强生成技术融合PET-CT影像报告、结构化手术诊断记录和非结构化随访笔记等多模态临床数据，实现慢性骨髓炎的预后预测，提高可解释性和临床可靠性。
2026-04-24 cs.AI cs.IR cs.LG
NoteContrast: Contrastive Language-Diagnostic Pretraining for Medical Text
Brigham and Women’s Hospital（布里格姆妇女医院）；Harvard Medical School（哈佛医学院）
针对医学笔记诊断编码，提出基于ICD-10代码序列模型、医学文本大语言模型和对比预训练的集成方法，在多个MIMIC-III任务上超越现有最优模型。
2024-12-16 cs.CL cs.LG
MedRDF: A Robust and Retrain-Less Diagnostic Framework for Medical Pretrained Models Against Adversarial Attack
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
深度神经网络被发现在不可感知的对抗性样本攻击下不具有鲁棒性，这对于将其应用于要求高可靠性的医疗诊断系统是非常危险的。然而，在自然图像中具有良好效果的防御方法可能不适合医学诊断任务。预处理方法（例如，随机缩放、压缩）可能导致医学图像中的小损伤特征的丢失。在增强数据集上重新训练网络对于已经在线部署的医学模型也是不切实际的。因此，有必要为医疗诊断任务设计一个易于部署和有效的防御框架。在本文中，我们提出了一个针对对抗攻击的医学预训练模型的鲁棒和无重训练诊断框架（即，MedRDF）。它作用于相关医学模型的推理时间。具体来说，对于每一个测试图像，MedRDF首先创建它的大量噪声副本，并从预训练的医学诊断模型中获得这些副本的输出标签。然后，基于这些副本的标签，MedRDF通过多数投票输出最终的鲁棒诊断结果。除诊断结果外，MedRDF还生成鲁棒性度量（RM）作为结果的置信度。因此，利用MedRDF将预训练的非鲁棒诊断模型转换为鲁棒诊断模型是方便和可靠的。在COVID-19和DermaMNIST数据集上的实验结果验证了MedRDF在提高医学诊断模型鲁棒性方面的有效性。
2021-11-29 cs.CR cs.CV cs.LG
Diagnostic Image Quality Assessment and Classification in Medical Imaging: Opportunities and Challenges
California Institute of Technology（加州理工学院）；Stanford University（斯坦福大学）
磁共振成像（MRI）遭受若干伪影，其中最常见的是运动伪影。这些伪影通常产生非诊断质量的图像。为了检测这种伪影，图像由专家对其诊断质量进行前瞻性评估，这使得每当遇到非诊断质量扫描时都需要患者重新访问和重新扫描。这激发了开发能够访问医学图像质量并检测诊断和非诊断图像的自动化框架的需求。在本文中，我们探索了几种基于卷积神经网络的医学图像质量评估框架，并研究了其中的几个挑战。
2019-12-05 cs.CV cs.LG eess.IV
LLM-Guided Diagnostic Evidence Alignment for Medical Vision-Language Pretraining under Limited Pairing
Institute of Intelligent Information Processing, Shanxi University（山西大学智能信息处理研究所）；Alliance Manchester Business School, The University of Manchester（曼彻斯特大学阿利安斯商学院）；Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系）
本文提出LLM引导的诊断证据对齐方法，旨在解决有限配对数据下医学视觉-语言预训练的诊断表示学习问题，通过提取关键诊断证据提升跨模态对齐效果。
2026-02-07 cs.CV cs.LG
Using Multiple Dermoscopic Photographs of One Lesion Improves Melanoma Classification via Deep Learning: A Prognostic Diagnostic Accuracy Study
German Cancer Research Center (DKFZ)（德国癌症研究中心）；University Medical Center Mannheim, Ruprecht-Karl University of Heidelberg（海德堡鲁普雷希特-卡尔大学曼海姆医学中心）；DKFZ Hector Cancer Institute at the University Medical Center Mannheim（曼海姆医学中心DKFZ赫克托癌症研究所）；University Hospital Carl Gustav Carus, Technische Universität Dresden（德累斯顿工业大学卡尔·古斯塔夫·卡鲁斯大学医院）；University Hospital (UKSH), Kiel（基尔大学医院（UKSH））
本研究通过使用多个真实世界皮肤镜图像提升深度学习黑色素瘤分类器的诊断准确性与鲁棒性。
2023-06-05 cs.CV cs.LG eess.IV
Defending Medical Image Diagnostics against Privacy Attacks using Generative Methods
Johns Hopkins University（约翰霍普金斯大学）；Applied Physics Laboratory（应用物理实验室）；University of Virginia（弗吉尼亚大学）
医学成像诊断中使用的机器学习（ML）模型可能容易受到各种隐私攻击，包括成员推断攻击，这会导致违反医疗数据使用法规，并威胁到其在临床中的有效部署。与最近在隐私感知ML方面的工作主要集中在模型更改和后处理步骤相比，我们在这里提出了一种新颖的补充方案，通过控制数据共享过程来增强医疗数据的安全性。我们开发和评估的隐私防御协议的基础上使用生成对抗网络（GAN），允许医疗数据源（如医院）提供一个外部代理（建模）的代理数据集合成的原始图像，使所得的诊断系统提供给模型消费者呈现弹性隐私攻击者。我们验证了所提出的用于糖尿病视网膜病变的视网膜诊断AI方法，该方法具有可能泄露私人信息的风险。为了将隐私倡导者和建模者的关注，我们引入了一个指标来评估隐私和实用性能相结合，并证明，使用这些新颖的和经典的指标，我们的方法，本身或与其他防御，提供最先进的（SOTA）性能防御隐私攻击。
2021-08-20 cs.CR cs.CV cs.CY
Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with Competing Risks
University of Toronto（多伦多大学）；University Health Network（大学健康网络）；Princess Margaret Cancer Centre（玛格丽特公主癌症中心）
准确的生存预测对于精确癌症医学的发展至关重要，这就需要新的预后信息来源。最近，人们对利用常规收集的临床和医学成像数据来发现多种癌症类型中的新预后标记物产生了极大的兴趣。然而，以前的大多数研究都只关注个体数据模式，没有利用机器学习的最新进展进行生存预测。我们提出了Deep-CR MTLR --一种新的机器学习方法，用于在存在竞争风险的情况下，根据多模态临床和成像数据准确预测癌症生存率，该方法基于神经网络和多任务逻辑回归框架的扩展。我们在2552例头颈癌患者的队列中证明了多模式方法优于单一模式预测因子的预后性能，特别是对于癌症特异性生存率，其中我们的方法实现了2年AUROC为0.774和$C$指数为0.788。
2021-03-21 cs.LG
Diagnostic Uncertainty Calibration: Towards Reliable Machine Predictions in Medical Domain
RIKEN AIP（理化学研究所人工智能项目）；Kumamoto University Hospital（熊本大学医院）；Kumamoto University（熊本大学）；The University of Tokyo（东京大学）；ThinkCyte（ThinkCyte公司）
我们提出了一个评估框架的类概率估计（CPE）的标签的不确定性，这是常见的诊断专家之间的分歧，在医疗领域的存在。我们还正式评估指标的高阶顺序统计量，包括评分员之间的分歧，以评估标签的不确定性的预测。此外，我们提出了一种新的事后方法称为$alpha$ -校准，配备神经网络分类器校准分布CPE。使用合成实验和大规模的医学成像应用，我们表明，我们的方法显着提高了不确定性估计的可靠性：不一致概率和后验CPE。
2021-03-22 cs.LG stat.ML
SHAP-Integrated Convolutional Diagnostic Networks for Feature-Selective Medical Analysis
Guilin University of Electronic Technology（桂林电子科技大学）；École de Technologie Supérieure（高等技术学院）
本文提出SHAP集成的卷积诊断网络SICDN，通过可解释特征选择和历史加权移动平均技术，在有限医学数据集上实现超过97%的分类准确率，超越四种流行CNN模型。
2025-03-10 cs.AI cs.CV cs.LG
Clinical Recommender System: Predicting Medical Specialty Diagnostic Choices with Neural Network Ensembles
Stanford Center for Biomedical Informatics Research, Stanford University（斯坦福大学生物医学信息学研究中心）；Division of Endocrinology, Stanford University School of Medicine（斯坦福大学医学院内分泌科）；Division of Hospital Medicine, Stanford University（斯坦福大学医院医学部）
对关键医疗资源（如临床专业知识和设施）的需求不断增长，促使基于人工智能（AI）的决策支持系统的出现。我们解决的问题，预测专业转诊的临床检查。作为手动创建的临床检查表的替代方案，我们提出了一个数据驱动的模型，该模型根据从电子健康记录（EHR）中提取的患者最近的临床记录推荐必要的诊断程序。这有可能使卫生系统扩大及时获得初步医疗专业诊断检查的病人。所提出的方法是基于一个合奏的前馈神经网络，并实现了显着更高的准确性相比，传统的临床检查表。
2020-07-23 cs.IR cs.LG stat.ML
Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic Review
University of Leeds（利兹大学）；St James’s University Hospital（圣詹姆斯大学医院）
该系统综述检索5个数据库截至2023年5月的相关研究，纳入45项研究共80个卵巢癌组织病理AI模型，发现所有模型偏倚风险高或不明确，尚无模型可落地临床，提出需完善报告规范与验证流程以推进转化。
2023-06-16 cs.AI cs.LG eess.IV
Unlocking the Potential of Medical Imaging with ChatGPT's Intelligent Diagnostics
Prince Sultan University（苏丹王子大学）
本文提出一种基于深度学习与ChatGPT的医学影像智能诊断决策支持系统，通过提取影像关键信息并生成自动诊断报告，以提升诊断效率与准确性。
2023-05-12 cs.CV cs.LG eess.IV
CoD, Towards an Interpretable Medical Agent using Chain of Diagnosis
Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
针对大语言模型医学诊断可解释性不足的问题，本研究提出诊断链（CoD）方法，模拟医师思维提供透明推理路径与疾病置信度，据此开发的DiagnosisGPT可诊断9604种疾病，在基准测试中表现优于其他大模型，兼具可解释性与诊断严谨性可控性。
2024-09-15 cs.AI cs.CL cs.LG
Beyond Symmetric Alignment: Spectral Diagnostics of Modality Imbalance in Vision-Language Models in the Medical Domain
NOVA School of Science and Technology（诺瓦科学与技术学校）；Nova School of Business and Economics（诺瓦商业与经济学校）；Carnegie Mellon University（卡内基梅隆大学）
提出非对称光谱对齐分数（SAS），通过特征值加权的特征模态相关性量化模态信息不平衡，并在医学图像-文本数据集上评估15个VLM，发现医学图像比临床报告保留更丰富的结构信息，且SAS与检索性能的相关性最强。
2026-06-03 cs.CV cs.LG
Benchmarking Automatic Speech Recognition coupled LLM Modules for Medical Diagnostics
Indian Institute of Technology, Delhi（印度理工学院德里分校）
本文提出并评估由医疗通话录音微调的 ASR 与 LLM 组成的两阶段医疗诊断系统，结合新型音频预处理和噪声、削波增强以提升跨麦克风与环境的鲁棒性。
2025-02-18 cs.LG eess.AS
VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics
Middlesex University（密德萨斯大学）；COMSATS University（COMSATS大学）
本文提出VALD-MD方法，结合潜在扩散模型与领域大语言模型生成异常医学图像的正常对应物，通过差异映射定位诊断相关成分，并在COVID-19 Radiography Database和cheXpert数据集上验证了视觉归因与零样本疾病诱导的有效性。
2024-01-02 cs.LG eess.IV
Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models
University Singidunum（辛吉杜努姆大学）；University of Belgrade（贝尔格莱德大学）；University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）
针对医疗报告中表格数据难以被传统ML模型利用的问题，提出TEMED-LLM方法，结合LLM推理与反馈环提取结构化数据，结合可解释ML模型实现性能与可解释性双提升。
2023-06-08 cs.AI cs.CL cs.LG
Confusion Matrices and Accuracy Statistics for Binary Classifiers Using Unlabeled Data: The Diagnostic Test Approach
University of Minnesota（明尼苏达大学）
医学研究人员已经解决了在没有金标准测试进行比较的情况下估计二元医学诊断测试的灵敏度和特异性的问题。这个问题与在未标记数据上估计分类器的混淆矩阵相同。本文描述了如何修改诊断测试解决方案，以估计无标记数据上监督或无监督二元分类器的混淆矩阵和准确性统计。
2022-12-27 cs.LG stat.AP stat.ML
PCQC: Privileged Counterfactual Question Credit for Multi-Turn Medical Dialogue
Peking University（北京大学）
PCQC利用特权患者信息构建反事实问题答案，通过诊断评分器分配问题信用，在四个医疗基准上以更少询问轮次显著提升诊断准确率。
2026-09-24 cs.LG
Hybrid clustering-classification neural network in the medical diagnostics of reactive arthritis
Kharkiv National University of Radio Electronics（哈尔科夫国立无线电电子大学）；Kharkiv Medical Academia of Post-Graduate Education（哈尔科夫医学研究生教育学院）；Uzhhorod National University（乌日霍罗德国立大学）
提出了一种混合聚类-分类神经网络。该网络允许在由于学习率参数的合理选择和在聚类过程中引入模糊推理的特殊过程而导致的类重叠的条件下增加信息处理的质量，这在有外部学习信号（监督的）和没有外部学习信号（无监督的）的情况下都发生。作为相似性度量邻域函数或隶属度函数，余弦结构被使用，这允许提供由于自学习-学习过程的高度灵活性，并提供一些新的有用的性质。实验结果证实了所提出的混合聚类-分类神经网络的有效性，并将其应用于反应性关节炎的诊断。
2016-10-21 cs.LG cs.NE stat.ML
Recent advancement in Disease Diagnostic using machine learning: Systematic survey of decades, comparisons, and challenges
Malek Ashtar University（马利克·阿什塔尔大学）
本文综述了机器学习在计算机辅助疾病诊断中的应用，探讨了其在提高肝炎、糖尿病和心脏病等多种疾病检测准确性和决策客观性方面的算法、技术与挑战。
2023-07-31 cs.AI cs.LG
Jekyll: Attacking Medical Image Diagnostics using Deep Generative Models
Virginia Tech（弗吉尼亚理工大学）；University of Virginia（弗吉尼亚大学）
深度神经网络（DNN）的进展在医学领域显示出巨大的前景。然而，帮助该领域的深度学习工具也可以用来对付它。鉴于医疗保健领域欺诈的普遍性，在操纵对患者医疗保健至关重要的敏感数据时，考虑DNN的对抗性使用非常重要。在这项工作中，我们提出了一个基于DNN的图像翻译攻击生物医学图像的设计和实现。更具体地说，我们提出了Jekyll，这是一种神经风格转移框架，它将患者的生物医学图像作为输入，并将其转换为指示攻击者选择的疾病状况的新图像。基于这种生成的“假”医学图像的欺诈性索赔的可能性是显着的，我们证明了成功的攻击X射线和视网膜眼底图像模式。我们表明，这些攻击能够误导医疗专业人员和算法检测方案。最后，我们还研究了基于机器学习的防御措施来检测Jekyll生成的图像。
2021-04-05 cs.CR cs.CV cs.LG
CaReAQA: A Cardiac and Respiratory Audio Question Answering Model for Open-Ended Diagnostic Reasoning
Eindhoven University of Technology（埃因霍温理工大学）；Kyutai France（Kyutai法国分公司）；Eindhoven Artificial Intelligence Systems Institute（埃因霍温人工智能系统研究所）
提出音频-语言模型 CaReAQA 结合基础音频模型与大型语言模型推理能力，并引入基准数据集 CaReSound，在开放式诊断推理任务上达到 86.2% 准确率，有效推动临床决策支持。
2025-06-01 cs.LG
Next-Gen Machine Learning Supported Diagnostic Systems for Spacecraft
Imperial College London（帝国理工学院）；Oregon State University（俄勒冈州立大学）；NVIDIA Corp（英伟达公司）；King’s College London（伦敦国王学院）
未来的短期或长期空间任务需要新一代的监测和诊断系统，由于通信僵局以及专业人员和设备的限制。机器学习支持的诊断系统为医疗和技术应用提供了可行的解决方案。我们讨论了这些系统在即将到来的任务中面临的挑战和适用性，并概述了未来太空行动的下一代医疗诊断系统的示例用例。此外，我们提出的方法的建议和限制，成功地生成和使用机器学习模型在航天器上。
2021-06-10 cs.AI cs.LG
MedClarify: An information-seeking AI agent for medical diagnosis with case-specific follow-up questions
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Heidelberg University（海德堡大学）
MedClarify通过生成病例特定的后续问题，提升医学诊断的准确性与可靠性。
2026-02-19 cs.AI cs.LG
Evaluating Explanatory Capabilities of Machine Learning Models in Medical Diagnostics: A Human-in-the-Loop Approach
University of Coruña（拉科鲁尼亚大学）；Servicio de Oncología Médica, Complejo Hospitala（医院肿瘤内科（注：原文机构名未完整显示））
本文通过人在回路技术和医学指南，在胰腺癌数据集上评估决策树、随机森林和XGBoost模型的解释能力，提出加权Jaccard相似系数以选择既高性能又与领域知识一致的模型。
2024-03-28 cs.AI cs.LG
Universal Adversarial Attack on Deep Learning Based Prognostics
TCS Research（TCS研究院）
基于深度学习的时间序列模型正在工程和制造业中广泛用于过程控制和优化、资产监控、诊断和预测性维护。这些模型在预测工业设备的剩余使用寿命（RUL）方面有很大的改进，但存在固有的对抗攻击脆弱性。这些攻击很容易被利用，并可能导致关键工业设备的灾难性故障。通常，针对输入数据的每个实例计算不同的对抗性扰动。然而，由于更高的计算要求和缺乏对输入数据的不间断访问，这对于攻击者来说难以实时的实现。因此，我们提出了通用对抗性扰动的概念，这是一种特殊的不可感知的噪声，用于欺骗基于回归的RUL预测模型。攻击者可以很容易地利用通用对抗扰动进行实时攻击，因为连续访问输入数据和对抗扰动的重复计算不是其先决条件。我们使用NASA涡轮风扇发动机数据集评估通用对抗攻击的效果。我们发现，除了普遍对抗扰动的任何情况下的输入数据增加了模型预测的输出误差。据我们所知，我们是第一个研究普遍对抗扰动对时间序列回归模型的影响。我们进一步证明了扰动强度的变化对RUL预测模型的影响，并发现模型精度随着通用对抗攻击扰动强度的增加而降低。我们还展示了通用对抗扰动可以在不同的模型中转移。
2021-09-15 cs.AI cs.CR cs.LG
Worst-Group Equalized Odds Regularization for Multi-Attribute Fair Medical Image Classification
Australian Institute for Machine Learning, Adelaide University（澳大利亚机器学习研究所，阿德莱德大学）；GlaxoSmithKline (GSK)（葛兰素史克（GSK））
本文提出了一种最差组等化几率正则化方法，用于在多个人口属性上同时评估和缓解医疗图像分类中的系统性差异，通过在推理时优化子组层面的真阳性率和假阳性率偏差，减少等化几率和等化机会的不平等，同时对AUC影响最小。
2026-05-19 cs.CV cs.LG
Deriving Hematological Disease Classes Using Fuzzy Logic and Expert Knowledge: A Comprehensive Machine Learning Approach with CBC Parameters
University of Salford（索尔福德大学）
本研究针对传统二元医学诊断难以捕捉疾病细微差异的问题，结合医师专家知识构建模糊逻辑规则，与随机森林分类器结合后利用CBC参数预测血液疾病，在医院数据集上取得高准确率，推动了血液诊断技术发展。
2024-06-18 cs.AI cs.LG
Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical Image Segmentation Using Deep Neural Networks: Past, Present, & Future
University of California, San Diego（加利福尼亚大学圣地亚哥分校）
在过去的十年里，深度学习在自然图像处理领域产生了显著的影响。因此，人们对在相关领域（如医学图像分析）的未解决任务中复制这一成功非常感兴趣。医学图像分析的核心是语义分割任务，它支持各种临床工作流程。由于手动分割固有的挑战，几十年的研究一直致力于发现可扩展的，自动化的，专家级的分割技术。鉴于最近基于神经网络的技术所展示的突破性性能，深度学习似乎有望实现经典方法在历史上无法实现的目标。本文将简要概述一些最先进的（SoTA）基于神经网络的分割算法，特别强调最新的架构，比较和对比每个网络拓扑的贡献和特点。以超声检查为例，它还将展示有效的基于深度学习的解决方案的重要临床意义，阐明该模式特有的挑战，并讨论为应对这些挑战而开发的新方法，最后提出该领域的未来发展方向。鉴于最佳深度学习方法的普遍观察到的短暂性（即SoTA的快速继承），本文的主要贡献是将现代深度学习架构与历史背景结合起来，并阐明了体积医学图像分割研究的当前轨迹。
2021-05-13 cs.AI cs.CV cs.LG
Reduction of Surgical Risk Through the Evaluation of Medical Imaging Diagnostics
University of Beira Interior（贝拉内瓦大学）
乳腺癌（BRCA）图像的计算机辅助诊断（CAD）是近年来研究的一个活跃领域。本研究的主要目标是开发可靠的自动方法，用于从诊断图像中检测和诊断不同类型的BRCA。在本文中，我们提出了一个审查的最先进的CAD方法应用于磁共振（MRI）和乳腺X线摄影图像的BRCA患者。该综述旨在广泛介绍通过纹理和统计分析从BRCA图像中提取的不同特征，并对能够使用元数据聚合相关信息的深度学习框架和数据结构进行分类，以帮助肿瘤学家和放射科医生。我们根据成像方式将现有文献分为放射组学，机器学习或两者的组合。我们还强调了每种模式和方法的优缺点之间的差异，并通过定量比较分析了它们在检测BRCA方面的性能。我们比较了各种方法的结果，实现CAD系统的检测BRCA。对每种方法的标准工作流程组成部分进行了审查，并提供了汇总表。我们提出了一个广泛的文献综述放射组学特征提取技术和机器学习方法应用于BRCA诊断和检测，侧重于数据准备，数据结构，预处理和后处理策略，在文献中。通过组织病理学图像、MRI和乳腺X射线摄影图像进行BRCA检测的放射组学特征提取和机器学习方法越来越受到关注。然而，没有一种CAD方法能够结合不同的数据类型来提供最佳的诊断结果。将数据融合技术应用于医学图像和患者数据可以改善检测和分类结果。
2020-03-08 cs.CV cs.LG eess.IV
