Наргес разавійський

Асистент (дослідницька робота)

Блок прогнозної аналітики

Центр інновацій в галузі охорони здоров'я та наук про доставку

Медичний центр Лангонського університету Нью-Йоркського університету

Побудуйте графік нейронної мережі на електронних медичних картках для прогнозування хвороби Альцгеймера
Ш Чжу, Н Разавіан
препринт arXiv arXiv: 1912.03761

До кількісної оцінки упередженості в машинному навчанні для охорони здоров’я: Тематичне дослідження прогнозування ниркової недостатності
Дж. Вільямс, Н. Разавіан
препринт arXiv arXiv: 1911.07679

Штучний інтелект та рак
О Троянська, З Траяноскі, Карпентер, С Трон, Н Разавіан, Н Олівер
Рак природи 1 (2), 149-152

Прогнозування ожиріння серед дітей за допомогою електронних медичних карт та загальнодоступних даних
Р Хаммонд, Р Афанасіаду, С Курадо, Ю Афініянафонгс, С Абрамс, .
PloS one 14 (4), e0215571

BERT-XML: Широкомасштабне автоматизоване кодування ICD із використанням BERT попередньої підготовки
Z Zhang, J Liu, N Razavian
препринт arXiv arXiv: 2006.03685

Відстеження поширеності ожиріння на державному рівні за допомогою вкладання речень твітів: техніко-економічне обгрунтування
X Zhang, R Athanasiadou, N Razavian
препринт arXiv arXiv: 1911.11324

Deep ehr: Прогнозування хронічного захворювання з використанням медичних записок
J Liu, Z Zhang, N Razavian
Машинне навчання для охорони здоров’я 2018
препринт arXiv arXiv: 1808.04928

S Liu, J Niles-Weed, N Razavian, C Fernandez-Granda
Раннє навчання регуляризації запобігає запам’ятовуванню галасливих ярликів
препринт arXiv arXiv: 2007.00151

Про проектування згорткових нейронних мереж для автоматичного виявлення хвороби Альцгеймера
С Лю, С Ядав, С Фернандес-Гранда, Н Разавіан
Майстерня машинного навчання для здоров’я, 184-201

DARTS: автоматичний швидкий інструмент для сегментації мозку на основі DenseUnet
A Kaku, CV Hegde, J Huang, S Chung, X Wang, M Young, YW Lui, .
препринт arXiv arXiv: 1911.05567

Сучасний рівень техніки: програми машинного навчання у візуалізації гліоми
Е Лотан, Р. Джейн, Н. Разавіан, Г. М. Фаттерпекар, Ю. В. Луй
Американський журнал рентгенології 212 (1), 26-37

Прогнозування підтипів раку ендометрія та молекулярних особливостей з гістопатології
Зображення з використанням моделей глибокого навчання з роздільною здатністю
Р Хонг, Ш Лю, Д ДеЛер, Н Разавіан, Д Феньо
bioRxiv https://doi.org/10.1101/2020.02.25.965038

Класифікація та прогнозування мутації на гістограмах недрібноклітинного раку легенів за допомогою глибокого навчання
N Coudray, PS Ocampo, T Sakellaropoulos, N Narula, M Snuderl, .
Природна медицина 24 (10), 1559-1567

Ефективна класифікація знімків із загальним слайдом раку та виявлення нестабільних елементів за допомогою згорткових нейронних мереж
С Білалоглу, Дж. Ву, Е. Фієрро, Р. Д. Санчес, П. С. Окампо, Н. Разавіан, .
bioRxiv, 633123

Підхід глибокого навчання для швидкого мутаційного скринінгу на меланому
Р. Кім, С Номіку, З Давуд, Г Жур, Д Доннеллі, У Моран, Й. С. Вебер, .
bioRxiv, 610311

дослідницька

Шен Лю

Аспірант, Центр науки про дані Нью-Йоркського університету

За консультацією доктора Карлоса Фернандеса-Гранди

Дослідження: Надійне глибоке навчання для медичної візуалізації

Аакаш Каку

Аспірант, Центр науки про дані, Нью-Йоркський університет

За консультацією доктора Карлоса Фернандеса-Гранди

Дослідження: Узагальнене глибоке навчання для сегментації мозку

Вейчен (Джек) Чжу

Вступний аспірант, Центр науки про дані, Нью-Йорк

Дослідження: Навчання графічному представленню на EHR

Студенти магістрів

Про докторський комітет

Співробітники

Випускники

Поглиблене навчання для МРТ головного мозку

У співпраці з Нью-Йоркською радіологією та Дослідницьким центром Альцгеймера ми працюємо над моделюванням глибокого навчання МРТ головного мозку T1W.

Наші відповідні публікації включають

S Liu, J Niles-Weed, N Razavian, C Fernandez-Granda
Раннє навчання регуляризації запобігає запам’ятовуванню галасливих ярликів
препринт arXiv arXiv: 2007.00151 [папір] [код]
Розглядається

Про проектування згорткових нейронних мереж для автоматичного виявлення хвороби Альцгеймера
С Лю, С Ядав, С Фернандес-Гранда, Н Разавіан
Neurips 2019 Machine Learning for Health Workshop, 184-201 [папір] [код]

DARTS: автоматичний швидкий інструмент для сегментації мозку на основі DenseUnet
A Kaku, CV Hegde, J Huang, S Chung, X Wang, M Young, YW Lui, N Razavian
препринт arXiv arXiv: 1911.05567 [код]
Розглядається

Пояснення штучного інтелекту для непрофесіоналів
Н Разавіан, Ф Нолл, К. Дж. Герас
Семінари з опорно-рухового апарату 24 (01), 003-011 [стаття]

Використання МРТ зображень мозку для прогнозування пам’яті, ІМТ та віку
С Ядав, Н Разавіан
2019 Міжнародна конференція IEEE з гуманізованих обчислень та комунікацій

Сучасний рівень техніки: програми машинного навчання у візуалізації гліоми
Е Лотан, Р. Джейн, Н. Разавіан, Г. М. Фаттерпекар, Ю. В. Луй
Американський журнал рентгенології 212 (1), 26-37 [стаття]

Електронні медичні картки та ШІ

Як частина підрозділу прогнозної аналітики Нью-Йоркського університету, ми постійно зосереджуємось на вдосконаленні виявлення недіагностованих захворювань та ранньому прогнозуванні захворювань, які можна запобігти.

З цією метою ми будуємо моделі часових рядів пацієнтів електронних медичних карт, що включає лабораторії, ліки, історію хвороби, процедури та клінічні записки. Ми будуємо глибоке навчання та стандартні моделі машинного навчання. Наші зусилля глибокого навчання залучають нейронні мережі графіків.

Наші пов’язані публікації включають

Побудуйте графік нейронної мережі на електронних медичних картках для прогнозування хвороби Альцгеймера
Ш Чжу, Н Разавіан
препринт arXiv arXiv: 1912.03761 [папір] [код]

До кількісної оцінки упередженості в машинному навчанні для охорони здоров’я: Тематичне дослідження прогнозування ниркової недостатності
Дж. Вільямс, Н Разавіан
препринт arXiv arXiv: 1911.07679 [папір]
Представлено на семінарі Neurips з питань чесності в машинному навчанні в галузі охорони здоров’я 2019

Штучний інтелект та рак
О Троянська, З Траяноскі, Карпентер, С Трон, Н Разавіан, Н Олівер
Nature Cancer 1 (2), 149-152 [папір]

Прогнозування ожиріння серед дітей за допомогою електронних медичних карт та загальнодоступних даних
R Hammond, R Athanasiadou, S Curado, Y Aphinyanaphongs, C Abrams, M Messito, R Gross, M Katzow, M Jay, N Razavian, B Elbel
PloS one 14 (4), e0215571 [папір] [код]

Deep ehr: Прогнозування хронічного захворювання за допомогою медичних записок
J Liu, Z Zhang, N Razavian
препринт arXiv arXiv: 1808.04928 [папір] [код]

Багатозадачне прогнозування захворювань на основі поздовжніх лабораторних досліджень
Н Разавіан, Дж. Маркус, Д Зонтаг
Конференція з машинного навчання для охорони здоров’я, 73–100 [папір] [код]

Часові згорткові нейронні мережі для діагностики в лабораторних тестах
Н Разавіан, Д Зонтаг
препринт arXiv arXiv: 1511.07938 [папір] [код]
ICLR Workshop 2016

Прогнозування діабету 2 типу на рівні населення за даними претензій та аналізу факторів ризику
N Разавіан, S Blecker, AM Schmidt, A Smith-McLallen, S Nigam, D Sontag
Великі дані 3 (4), 277-287 [папір]

Візуальне дослідження тимчасових даних в електронних медичних записах.
Дж. Краузе, Н. Разавіан, Е. Бертіні, Д. А. Зонтаг
AMIA 2015 [плакат] [код]

Обробка природної мови для клінічних записок

В рамках нашого дослідження щодо прогнозування запобіжних станів ми будуємо різні моделі НЛП для аналізу знань, записаних у клінічних примітках.

Наші відповідні публікації включають:

BERT-XML: Широкомасштабне автоматизоване кодування ICD із використанням BERT попередньої підготовки
Z Zhang, J Liu, N Razavian
препринт arXiv arXiv: 2006.03685 [папір]

Відстеження поширеності ожиріння на державному рівні за допомогою вкладання речень твітів: техніко-економічне обгрунтування
X Zhang, R Athanasiadou, N Razavian
препринт arXiv arXiv: 1911.11324 [папір]
Розглядається

Deep ehr: Прогнозування хронічного захворювання за допомогою медичних записок
J Liu, Z Zhang, N Razavian
Машинне навчання для охорони здоров’я 2018
препринт arXiv arXiv: 1808.04928 [папір] [код]

Поглиблене навчання для гістології та біомедичної візуалізації

Наша група співпрацює з відділом генетики систем Нью-Йоркського університету для пошуку глибоких навчальних рішень щодо гістології та мікроскопії раку.

Прогнозування підтипів раку ендометрія та молекулярних особливостей з гістопатології
Зображення з використанням моделей глибокого навчання з роздільною здатністю
Р Хонг, Ш Лю, Д ДеЛер, Н Разавіан, Д Феньо
bioRxiv [папір]

Класифікація та прогнозування мутації на гістограмах недрібноклітинного раку легенів за допомогою глибокого навчання
N Coudray, PS Ocampo, T Sakellaropoulos, N Narula, M Snuderl, D Fenyö, A Moreira, N Razavian, A Tsirigos
Nature medicine 24 (10), 1559-1567 [папір] [код]

Ефективна класифікація знімків із загальним слайдом раку та виявлення нестабільних елементів за допомогою згорткових нейронних мереж
С Білалоглу, Дж. Ву, Е. Фієрро, Р. Д. Санчес, П. С. Окампо, Н. Разавіан, Н. Кудрей, А. Цірігос
bioRxiv, 633123 [папір]

Підхід глибокого навчання для швидкого мутаційного скринінгу на меланому
Р. Х. Кім, С Номіку, З Давуд, Г Жур, Д Доннеллі, У Моран, Й. С. Вебер, Н Разавіан, М Снудерл, Р Шапіро, Р Берман, Н Кудрей, І Осман, А Цірігос
bioRxiv, 610311 [папір]