MARC

 008260126s2024        us                              c    eng  d
■001000017361078
■00520260202105702
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263308049
■035    ▼a(MiAaPQ)AAI32409888
■035    ▼a(MiAaPQ)124254
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aYang,  Chaoqi.
■24510▼aDeep  Learning  and  Tensor  Methods  for  Medical  Time-Series
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a140  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Sun,  Jimeng.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aTime-series  data  are  common  in  healthcare  AI  research,  and  they  exhibit  diverse  modality  and  complex  characteristics,  usually  leading  to  various  problems  in  modeling.  One  large  category  of  medical  time-series  is  the  Medical  Sequence  Data.  For  example,  electronic  health  records  (EHR)  are  documented  on  a  daily  basis,  containing  all  the  interactions  between  patients  and  clinicians.  However,  it  can  be  in  various  formats  across  different  clinical  institutes.  Medical  claims  data  reflects  the  patient  billing,  prescription,  vaccination,  insurance  activities,  which  could  be  important  for  understanding  the  population  level  disease  effects,  such  as  COVID.  However,  data  processing  and  modeling  could  be  time  confusing  on  various  types  of  claims  data  where  missing  values  could  exist  to  add  more  complexity.  Another  category  of  medical  time-series  is  called  the  Medical  Signal  Data,  like  electroencephalogram  (EEG).  These  physiological  signal  data  are  collected  in  high  frequency  by  smart  sensory  devices  that  requires  advanced  signal  processing  techniques.  Usually,  sample  format  mismatching  could  create  a  gap  between  similar  datasets  and  prevent  jointly  training  for  large-scale  models.My  PhD  researches  mainly  focus  on  building  new  methodologies  for  medical  time-series  on  four  different  problem  paradigms:  (i)  Future  Target  Prediction  that  leverages  the  historical  information  to  predict  some  future  targets  of  interests,  such  as  heart  failure  onset  prediction;  (ii)  Underlying  Class  Prediction  that  predicts  the  current  disease  class  or  health  stages  based  on  the  symptom  progression  or  other  temporal  phenomena;  (iii)  Missing  Imputation  that  estimate  the  missing  elements  based  on  the  surrounding  (location-wise)  or  nearby  (time-wise)  observed  values;  (iv)  Unsupervised  Feature  Extraction  that  learns  meaningful  embeddings  from  large  unlabeled  time-series  data.  My  proposed  methods  could  benefits  the  health-  care  domain  by  providing  better  and  safe  prescriptions,  making  disease  prediction  model  more  generalizable  to  new  patients,  understanding  the  spatio-temporal  distributions  of  pediatric  respiratory  syncytial  virus  (RSV)  disease,  accurately  estimating  the  missing  values  in  streaming  multi-dimensional  medical  data,  and  more.Apart  from  building  strong  models,  I  have  also  devoted  a  great  amount  of  time  building  the  health  AI  system,  named  PyHealth  (https://github.com/sunlabuiuc/PyHealth),  which  provides  various  supports  for  medical  time-series  (and  other  modalities),  including  flexible  data  processing,  medical  code  mapping  if  any,  easy  AI  model  application  and  evaluation.  The  package  has  attracted  increasing  attention  since  2022  and  has  gained  868  stars  and  27k  downloads  up  to  now.
■590    ▼aSchool  code:  0090.
■650  4▼aComputer  science
■653    ▼aMedical  time-series
■653    ▼aPyHealth
■653    ▼aHealthcare
■653    ▼aDeep  learning
■653    ▼aTensor  methods
■690    ▼a0984
■690    ▼a0800
■690    ▼a0769
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361078▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books