文章预览
本文 约1800字 ，建议阅读 9 分钟 本文介绍了基于图模型和自蒸馏深度学习增强医疗保健信息学。 深度学习彻底改变了计算机视觉、自然语言处理、机器人技术、医学图像处理等许多领域。在本论文中，我们专注于通过使用深度神经网络对医疗保健数据进行建模来增强医疗保健信息学，以完成不同的下游任务，例如分类、回归和图像分割。 在本论文的第 2 章中，我们介绍了相关的深度学习文献，并在此基础上提出了用于增强医疗保健信息学的深度学习算法。 在第 3 章中，我们提出了一种新颖的“扩张 CNN+RN”，它将扩张 CNN 与关系网络 (RN) 相结合，使用局灶性癫痫 (FE) 儿童的全脑连接组数据深入推理非局部轴突连接的依赖关系。 在第 4 章中，我们提出了一种新颖的时空同步图Transformer 网络 (STSGT)，以捕捉 COVID-19 时间序列数据的复杂空间和
………………………………
