结合神经网络是一种长期的技术，可以通过委员会决定通过将网络与正交性结合到正交属性来改善神经网络的概括错误。我们表明，该技术非常适合在医疗数据上进行机器学习：首先，合奏可以平行和异步学习，从而有效地培训患者特定的组件神经网络。其次，基于选择不相关的患者特定网络来最大程度地减少概括错误的想法，我们表明可以建立一些选定的特定于患者特定模型的合奏，以优于在更大的合并数据集中训练的单个模型。第三，非著作集合组合步骤是一个最佳的低维入口点，用于应用输出扰动以确保患者特定的网络的隐私。我们使用临床专家标记的现实生活中的重症监护病房数据来体现差异私人合奏在败血症早期预测任务上的框架。
translated by 谷歌翻译
定义和分离癌症亚型对于促进个性化治疗方式和患者预后至关重要。由于我们深入了解，子类型的定义一直在经常重新校准。在此重新校准期间，研究人员通常依靠癌症数据的聚类来提供直观的视觉参考，以揭示亚型的内在特征。聚集的数据通常是OMICS数据，例如与基本生物学机制有很强相关性的转录组学。但是，尽管现有的研究显示出令人鼓舞的结果，但它们却遭受了与OMICS数据相关的问题：样本稀缺性和高维度。因此，现有方法通常会施加不切实际的假设来从数据中提取有用的特征，同时避免过度拟合虚假相关性。在本文中，我们建议利用最近的强生成模型量化量化自动编码器（VQ-VAE），以解决数据问题并提取信息的潜在特征，这些特征对于后续聚类的质量至关重要，仅保留与重建有关的信息相关的信息输入。 VQ-VAE不会施加严格的假设，因此其潜在特征是输入的更好表示，能够使用任何主流群集方法产生出色的聚类性能。在包括10种不同癌症的多个数据集上进行的广泛实验和医学分析表明，VQ-VAE聚类结果可以显着，稳健地改善对普遍的亚型系统的预后。
translated by 谷歌翻译
本文提出了一个新颖的框架，以根据权威的睡眠医学指导自动捕获人睡眠的脑电图（EEG）信号的时间频率。该框架由两个部分组成：第一部分通过将输入EEG频谱图将其划分为一系列时频贴片来提取信息特征。第二部分是由基于注意力的体系结构有效地搜索分配的时频贴片和并行睡眠阶段定义因素之间的相关性构成的。拟议的管道在Sleep Heart Health研究数据集上进行了验证，其阶段唤醒，N2和N3的新最新结果获得了相应的F1分数为0.93、0.88和0.87，仅使用EEG信号。该提出的方法还具有高评分者间可靠性为0.80 kappa。我们还可以看到睡眠分期决策与提出方法提取的特征之间的对应关系，为我们的模型提供了强大的解释性。
translated by 谷歌翻译