https://searchworks.stanford.edu/view/14640534

时间序列数据普遍存在于许多医学领域。两种主要的医学时间序列数据是(a)生物信号和(b)纵向电子健康记录(EHR)数据。生物信号是由放置在人体表面或体内的传感器测量到的信号,如表面心电图(ECG)、脑电图(EEG)和心内心电图(EGM)。另一方面,纵向电子健康记录(EHR)数据是随着时间推移的患者电子健康记录,如病史、诊断、药物、放射图像和实验室测试结果。生物信号和纵向EHR数据在频率和时间跨度上存在差异。生物信号通常以高采样率采样(例如,500 Hz),采样范围从秒到小时,而纵向EHR数据以更长的时间间隔收集(例如,每天一次实验室测试),采样范围从天到年。**我对开发有效建模医学时间序列数据的深度学习方法很感兴趣,原因有四个。**首先,深度学习技术在医学成像领域取得了有希望的经验成功;然而,在医疗时间序列领域还存在未被满足的临床需求,如预测房颤(AF)复发以改善AF患者治疗后的预后,改进癫痫自动检测算法以加快临床工作流程,预测患者再入院风险以防止不必要的再入院。其次,医学时间序列数据在许多医学分类和预测任务中发挥着关键作用。例如,脑电图是诊断癫痫的主要测试;心电图是诊断各种心律失常最常见的测试;纵向EHR数据可用于预测患者是否有再入院的风险。第三,对医学时间序列数据的研究远少于对医学影像数据的研究。最后,现有的医学时间序列数据建模方法往往性能较差,这可能会阻碍其在现实世界的临床应用。医学时间序列数据涉及多维依赖关系,包括生物信号的时空依赖关系、多模态EHR数据的多模态依赖关系以及患者之间的相似性。这些多维依赖关系给深度学习模型带来了挑战。例如,如何有效地建模生物信号中的时空依赖关系?如何整合多模态?如何利用患者相似性来提高模型性能?**本文旨在开发深度学习方法来建模医学时间序列数据中的多维依赖关系,以提高医学分类和预测任务的性能。**首先,我将使用卷积神经网络和多模态融合对生物信号和临床数据中的多维依赖关系进行建模,并应用于AF复发预测(第2章)。其次,我将改进使用图神经网络(GNNs)对生物信号中的多维依赖关系进行建模的方法,应用于基于脑电图的癫痫检测和分类,以及AF复发预测(第3-4章)。第三,我将应用基于GNN的建模方法对多模态、纵向EHR数据中的多维依赖关系进行建模,并将其应用于医院再入院预测(第5章)。我认为CNN和GNN都可以有效地对医疗时间序列数据中的多维依赖关系进行建模,以改进医疗分类和预测任务。通过捕捉数据中复杂的时空依赖关系,GNNs可以提供比CNN更好的性能。

成为VIP会员查看完整内容
47

相关内容

斯坦福大学(StanfordUniversity)位于加利福尼亚州,临近旧金山,占地35平方公里,是美国面积第二大的大学。它被公认为世界上最杰出的大学之一,相比美国东部的常春藤盟校,特别是哈佛大学、耶鲁大学,斯坦福大学虽然历史较短,但无论是学术水准还是其他方面都能与常春藤名校相抗衡。斯坦福大学企业管理研究所和法学院在美国是数一数二的,美国最高法院的9个大法官,有6个是从斯坦福大学的法学院毕业的。
【CMU博士论文】神经序列建模与应用,102页pdf
专知会员服务
54+阅读 · 2022年8月23日
【斯坦福博士论文】用于系统设计的图算法,130页pdf
专知会员服务
37+阅读 · 2022年8月22日
专知会员服务
103+阅读 · 2021年7月17日
专知会员服务
65+阅读 · 2021年6月3日
专知会员服务
121+阅读 · 2020年11月15日
【Haute-Alsace博士论文】深度学习时序分类,175页pdf
专知会员服务
99+阅读 · 2020年10月4日
ICML2022丨时间序列论文汇总
机器学习与推荐算法
4+阅读 · 2022年8月19日
国家自然科学基金
21+阅读 · 2016年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
13+阅读 · 2021年7月20日
Arxiv
56+阅读 · 2021年5月3日
Arxiv
100+阅读 · 2020年3月4日
Arxiv
13+阅读 · 2019年11月14日
Arxiv
17+阅读 · 2019年3月28日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
VIP会员
相关基金
国家自然科学基金
21+阅读 · 2016年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
相关论文
Arxiv
13+阅读 · 2021年7月20日
Arxiv
56+阅读 · 2021年5月3日
Arxiv
100+阅读 · 2020年3月4日
Arxiv
13+阅读 · 2019年11月14日
Arxiv
17+阅读 · 2019年3月28日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
微信扫码咨询专知VIP会员