論文の概要: CheXbert: Combining Automatic Labelers and Expert Annotations for Accurate Radiology Report Labeling Using BERT

• arxiv url: http://arxiv.org/abs/2004.09167v3
• Date: Sun, 18 Oct 2020 20:30:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 18:01:14.094181
• Title: CheXbert: Combining Automatic Labelers and Expert Annotations for Accurate Radiology Report Labeling Using BERT
• Title（参考訳）: CheXbert: BERTを用いた正確な放射線診断レポート作成のための自動ラベルとエキスパートアノテーションの組み合わせ
• Authors: Akshay Smit, Saahil Jain, Pranav Rajpurkar, Anuj Pareek, Andrew Y. Ng, Matthew P. Lungren
• Abstract要約: 医用画像レポートラベリングにおけるBERTに基づくアプローチを提案する。 本稿では,ルールベースラベルのアノテーションに基づいてトレーニングしたBERTモデルの優れた性能を示す。 我々の最終モデルであるCheXbertは、統計的に有意な、以前の最高のルールベースのラベルよりも優れていることが分かりました。
• 参考スコア（独自算出の注目度）: 6.458158112222296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The extraction of labels from radiology text reports enables large-scale training of medical imaging models. Existing approaches to report labeling typically rely either on sophisticated feature engineering based on medical domain knowledge or manual annotations by experts. In this work, we introduce a BERT-based approach to medical image report labeling that exploits both the scale of available rule-based systems and the quality of expert annotations. We demonstrate superior performance of a biomedically pretrained BERT model first trained on annotations of a rule-based labeler and then finetuned on a small set of expert annotations augmented with automated backtranslation. We find that our final model, CheXbert, is able to outperform the previous best rules-based labeler with statistical significance, setting a new SOTA for report labeling on one of the largest datasets of chest x-rays.
• Abstract（参考訳）: ラジオロジーテキストレポートからラベルを抽出することで、医療画像モデルの大規模トレーニングが可能になる。 既存のレポートラベリングのアプローチは、一般的に医療分野の知識に基づいた高度な機能工学か、専門家による手動アノテーションに依存している。 本研究では,医用画像のラベル付けにBERTベースのアプローチを導入し,利用可能なルールベースシステムの規模と専門家アノテーションの品質を両立させる。 本稿では,まず規則に基づくラベル付けのアノテーションに基づいて訓練し,その後,自動逆変換を付加した少数の専門家アノテーションを微調整し,生物医学的に事前訓練したBERTモデルの優れた性能を示す。 我々の最終モデルであるCheXbertは、統計学的に重要なルールベースのラベルよりも優れており、胸部X線データセットの1つにレポートラベルの新しいSOTAを設定できる。

関連論文リスト

• Automated Spinal MRI Labelling from Reports Using a Large Language Model [45.348320669329205]
  大規模言語モデルを用いたラジオロジーレポートからラベルの抽出を自動化するパイプラインを提案する。 本手法は,GPT-4と同等か,あるいは超えている。 抽出したラベルを用いて画像モデルの訓練を行い,MRスキャンによる特定条件の分類を行う。
  論文  参考訳（メタデータ） (2024-10-22T17:54:07Z)
• Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: a data-driven approach for improved classification [0.6144680854063935]
  胸部X線(CXR)画像解析では、通常、ルールベースのシステムはデータセットリリースのレポートからラベルを抽出するために使用される。 本稿では,局所的に実行可能なLarge Language Model (LLM) を利用して,発見ラベルの抽出と拡張を行う新しいアプローチであるMAPLEZを提案する。
  論文  参考訳（メタデータ） (2024-03-06T20:10:41Z)
• CheX-GPT: Harnessing Large Language Models for Enhanced Chest X-ray Report Labeling [6.813646734420541]
  自由テキストラジオロジーレポートは、様々な医療タスクのための豊富なデータソースを提示するが、これらのテキストを効果的にラベル付けすることは依然として困難である。 1)慎重に設計したプロンプトを用いて,GPTの潜在ラベリングの可能性を示すこと,2)GPTよりも高速かつ効率的に動作するBERTベースのラベリングCheX-GPTをトレーニングすること,3)ラベリングのパフォーマンスをベンチマークするために,公開のエキスパートアノテートテストセットMIMIC-500を導入したこと,の3つが主な貢献である。
  論文  参考訳（メタデータ） (2024-01-21T14:30:20Z)
• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• German CheXpert Chest X-ray Radiology Report Labeler [50.591267188664666]
  本研究の目的は,胸部X線分類モデルのアノテーションを自動的に抽出するアルゴリズムを開発することである。 その結果、自動ラベル抽出は手動ラベリングに費やす時間を短縮し、全体のモデリング性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-06-05T11:01:58Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• Developing A Visual-Interactive Interface for Electronic Health Record Labeling: An Explainable Machine Learning Approach [0.0]
  データラベリングのための新しい視覚対話型ツール Explainable Labeling Assistant (XLabel) を導入する。 XLabelは、EBM(Explainable Boosting Machine)を使用して、各データポイントのラベルを分類し、EBMの説明のヒートマップを視覚化する。 実験の結果,1) XLabelはラベル付け動作の削減に役立ち,2) 説明可能な分類器としてのEMMは他の機械学習モデルと同じくらい正確であり,3) 40%以上のレコードが意図的にラベル付けされている場合でも,EBMは90%以上の正しいラベルをリコールできることがわかった。
  論文  参考訳（メタデータ） (2022-09-26T15:40:13Z)
• Fine-Tuning BERT for Automatic ADME Semantic Labeling in FDA Drug Labeling to Enhance Product-Specific Guidance Assessment [7.776014050139462]
  米国食品医薬品局(FDA)が推奨する製品特異的ガイダンス(PSGs)は、総合的な医薬品製品開発を促進・指導するための手段である。 PSGを評価するには、FDA査定官は、基準薬物ラベルから吸収、分布、代謝、排他といった支援薬情報(ADME)を手作業で取得するために、広範囲な時間と努力が必要である。 我々は,手作業ではなく薬物ラベルからADME段落を自動的に抽出できるADMEセマンティックラベリングの新たな応用を開発した。
  論文  参考訳（メタデータ） (2022-07-25T17:43:36Z)
• Label Semantic Aware Pre-training for Few-shot Text Classification [53.80908620663974]
  テキスト分類システムの一般化とデータ効率を向上させるために,ラベルセマンティック・アウェア事前学習(LSAP)を提案する。 LSAPは、ラベル付き文の2次事前学習を行うことにより、ラベルセマンティクスを事前学習された生成モデル(T5)に組み込む。
  論文  参考訳（メタデータ） (2022-04-14T17:33:34Z)
• Auxiliary Signal-Guided Knowledge Encoder-Decoder for Medical Report Generation [107.3538598876467]
  放射線技師の動作パターンを模倣する補助信号誘導知識デコーダ(ASGK)を提案する。 ASGKは、内的特徴融合と外部医療言語情報を統合して、医療知識の伝達と学習をガイドする。
  論文  参考訳（メタデータ） (2020-06-06T01:00:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。