【论文阅读笔记】Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Elec

最新推荐文章于 2023-09-08 10:37:20 发布
最新推荐文章于 2023-09-08 10:37:20 发布
阅读量848 收藏
点赞数 1
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cskywit/article/details/84635168
版权

文章标题：Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records
发布时间：2016.5

刊物：Science Report

本文使用自编码器对电子病历进行大数据分析，结构比较简单：

       使用的自编码器为三层的神经网络，每一层均为500个神经元，参数相同，对EMR记录的预处理阶段，采用了LDA、人工筛选等方式。自编码器的输入数据筛选采取了在输入端进行随机置零，类似Dropout的方式。自编码器的损失函数使用交叉熵损失。系统对96个大类的病种病人进行了预测。

       文中也提出了Deep Patient优势：不向以往的应用于医疗领域的深度学习系统只是针对某一个特定类型的疾病，本系统针对的是广多类疾病预测；系统的不足之处：对病人的检验结果只是采用了简单出现频率计数而没有深入分析各项指标的含义。

cskywit
关注
专栏目录
论文笔记：Cluster Alignment with a Teacher for Unsupervised Domain Adaptation
01-06
Profile  最近因为个人需要看了一些 DADADA 和 DRDRDR 的文章。  这篇文章比较有意思的是：将聚类设计成目标函数，从而一方面实现经网络抽取特征在分布上的自然聚类，一方面因为特征分布的聚类自然提高了分类效果...
论文笔记：Deep Patient：An Unsupervised Representation to Predict the Future of Patients rom the Electron
travalscx的博客
09-07 297
Deep Patient：An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records 总体流程 A. 提取数据，数据预处理成向量 B. autodecoder学习特征表示 C. 学到的特征用于具体任务 特征学习 使用SDA （1）encoder （2）...
An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records
仓小小鼠
11-07 939
无监督从电子健康病例预测患者未来的健康 摘要 电子健康记录（EHR）的二次使用有望推动临床研究的发展和改善告知临床决策。汇总和表示患者数据方面的挑战阻止了使用EHR进行预测建模的广泛实践。在这里，我们介绍了一种新颖的无监督的特征学习方法从EHR数据得出通用的患者代表促进临床预测建模。特别是三层去噪自动编码器堆栈用于捕获约EHRs的汇总EHR中的分层规则和依存关系来自西奈山数据仓库的700,000名...
Deep patient:An unsupervised representation to predict the future of patient from the electronic
Yingying
03-06 679
EHR:  electronic health records three-layer stack of denoising autoencoders train  data 700 000 patients from the Mount Sinai data warehouse 把autoencoder的特征表示当做健康状态，预测病人患各种疾病的概率 76214 test 
Variational Deep Embedding: An Unsupervised and Generative Approach to Clustering(VaDE)
weixin_44441131的博客
06-24 2409
0. 写在前面 本篇文章也是关于VAE的深度无监督聚类算法VaDE，主要从它的模型、Loss、优化方法去讲、最后会简单提及实验部分，并且与之前的GMVAE作比较。 1. Abstract 提出VaDE模型，它是深度无监督聚类生成模型，结合了VAE和GMM。 指出数据的生成过程： 1.从GMM分布中选择一个簇 2.从这个簇中产生一个隐变量z 3.解码该隐变量z生成观测数据 提出用SVGB优化方法 实验效果很好 1. Introduction(介绍) 这一部分一般是概要性的引出作者提出的模型，我们直接上
笔记：Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion, Optical Flow and
Siyuada的博客
04-04 2331
基本信息 题目：Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion, Optical Flow and Motion Segmentation 发表信息：CVPR 2019 作者：Anurag Ranjan， Varun Jampani，Michael J. Black 学校/研究机构： ma...
From neural PCA to deep unsupervised learning..pdf
03-01
这篇文章的标题是《From neural PCA to deep unsupervised learning》，表明其主题涉及从神经网络主成分分析（PCA）到深度无监督学习的转变和发展。神经PCA是一种利用主成分分析的神经网络方法，它能够在数据中发现...
Deep Transfer Network: Unsupervised Domain Adaptation
02-09
深度迁移网络（Deep Transfer Network，简称DTN）是一种用于无监督领域适应的方法。该方法旨在利用一个已有的数据集（源域）来训练分类器，并将其应用于另一个相关的但不完全相同的数据集（目标域）。通常情况下，在...
Unsupervised segmentation evaluation: an edge-based method
02-22
Unsupervised segmentation evaluation method quantifies the quality of segmentation without the reference segmentation or user assistance. Although some methods have been proposed to statistically ...
[2018 CVPR] Competitive Collaboration
03-27
使用一个对抗神经网络结构（Generative Adversarial Networks），从未标注的自动驾驶（Automotive）单目视频输入中，估计单目深度（Single View Depth）、相机运动（Camera Motion）和光流（Optical Flow），并对静态环境（Static Scene）和动态目标（Moving Regions）进行分割（Segmentation）。本文认为以上四个任务是相互关联的，各个任务之间可以相互支援提升最终性能。
《Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion ...》论文笔记
Glooow的博客
04-12 1269
论文题目：Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion, Optical Flow and Motion Segmentation 论文地址：https://arxiv.org/abs/1805.09806 项目地址：https://research.nvidia.com/public...
＜Variational Deep Embedding An Unsupervised and Generative Approach to Clustering＞笔记
小海鲜的博客
08-03 1106
直观分析VaDE 神经网络模型：
kl散度的理解_关于VaDE模型的理解与思考
weixin_39611047的博客
12-01 1161
Zero-shot learning的一个关键技术是建立语义信息与图像信息的对应关系，很多人会尝试用生成模型来间接构造visual-semantic embedding space。有时间也看看相关的一些研究，整理一下。今天主要讲讲腾讯2017年发在IJCAI上的一篇论文的理解和思考：Variational Deep embedding: An Unsupervised and Ge...
Competitive Collaboration 论文阅读
最新发布
qin_liang的博客
09-08 600
我们解决了低级视觉中几个相互关联问题的无监督学习：单视图深度预测、相机运动估计、光流以及将视频分割为静态场景和移动区域。我们的主要见解是这四个基本视觉问题通过几何约束耦合在一起。因此，学习一起解决它们可以简化问题，因为这些解决方案可以相互促进。我们通过更明确地利用几何形状并将场景分割为静态和移动区域，超越了之前的工作。为此，我们引入了竞争性协作，这是一个促进多个专业神经网络协调训练以解决复杂问题的框架。
Variational Deep Embedding: An Unsupervised and Generative Approach to Clustering [VaDE-pytorch]
Ghy817920的博客
04-23 1753
Variational Deep Embedding: An Unsupervised and Generative Approach to Clustering https://arxiv.org/pdf/1611.05148.pdf 本文提出了一中无监督的生成模型，可以用作聚类，具体参见论文。在mnist数据集上复现代码见 https://github.com/GuHongyang/VaDE-...
be patient~~~
Clayman的专栏
09-20 3641
       be patient ，be patient，no matter what happened~~~~       忙，每天下班爬回自己的小窝里就不想动了。怀念大学，那时候什么都缺，就是不缺时间，可以选择每天睡到自然醒，通宵打游戏，也可以选择努力学习。能自由支配自己的时间，实在是幸福。 忙有两种情况，一种忙的很充实，过程中可以学到不少东西；还有一种忙的很空虚，把精力都浪费在琐碎的事上。
深度聚类综述及论文整理
热门推荐
u013779568的博客
08-23 1万+
A Survey of Clustering With Deep Learning: From the Perspective of Network Architecture (2018 c94) 一、基本概念 聚类的目的： 基于一些相似性度量将类似数据分类为一个聚类。 传统的聚类方法： 基于分区的方法，基于密度的方法，分层方法 传统聚类的劣势： 使用的相似性度量方法效率低下，传统聚类方法在高维数据上的性能较差，在大规模数据集上具有较高的计算复杂度。 解决手段： 降维和特征转换，将原始数据映射到新的特征空间
【转】变分深度嵌入(Variational Deep Embedding, VaDE)
boooiaji的博客
01-03 1174
全文转载自 https://www.cnblogs.com/kailugaji/p/12882812.html 阅读目录(Content)变分深度嵌入(Variational Deep Embedding, VaDE)1. 前提公式2. VaDE损失函数公式推导过程3. VaDE算法总体流程4. 疑问5. 参考文献 回到顶部(go to top)变分深度嵌入(Variational Deep Embedding, VaDE) 作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com
MG-BERT: leveraging unsupervised atomic representation learning for molecular property prediction预训练策略
05-10
MG-BERT是一种用于分子属性预测的预训练模型，它是基于BERT的模型。它的预训练策略可以分为以下几步： 1. 原子嵌入：使用晶体学数据库（CSD）中的晶体结构数据，从中提取原子坐标并将其转换为原子嵌入表示。 2. 无监督原子表示学习：使用Transformer编码器，对原子嵌入进行无监督的原子表示学习。通过掩码语言建模任务（MLM）和下一句预测任务（NSP）来训练模型。 3. 有监督分子属性预测：使用已知的分子属性数据集，对MG-BERT进行有监督的微调。 在预训练阶段，MG-BERT使用了与BERT类似的预训练任务，例如掩码语言建模任务和下一句预测任务。这些任务的目的是让模型学习原子之间的关系和上下文信息。在微调阶段，MG-BERT使用已知的分子属性数据集进行有监督的微调，以预测分子的性质。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值