論文の概要: Learning the grammar of drug prescription: recurrent neural network grammars for medication information extraction in clinical texts

• arxiv url: http://arxiv.org/abs/2004.11622v2
• Date: Tue, 5 Apr 2022 09:19:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 03:35:37.931287
• Title: Learning the grammar of drug prescription: recurrent neural network grammars for medication information extraction in clinical texts
• Title（参考訳）: 薬物処方の文法学習 : 臨床テキストにおける薬物情報抽出のための繰り返しニューラルネットワーク文法
• Authors: Ivan Lerner, Jordan Jouffroy, Anita Burgun, Antoine Neuraz
• Abstract要約: 臨床テキストにおける薬物情報抽出のためのニューラルネットワークトップダウン遷移であるRNNGを評価した。 その任務は、薬物(または薬物のクラス)の名前と、その投与を知らせる属性を抽出することであった。 我々は、エンティティ、イベント、それらの関係を、エンティティ、イベント、関係をベースラインとして別々のBiLSTMモデルと共同で識別するRNNGモデルを比較した。
• 参考スコア（独自算出の注目度）: 2.4819048711881355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we evaluated the RNNG, a neural top-down transition based parser, for medication information extraction in clinical texts. We evaluated this model on a French clinical corpus. The task was to extract the name of a drug (or a drug class), as well as attributes informing its administration: frequency, dosage, duration, condition and route of administration. We compared the RNNG model that jointly identifies entities, events and their relations with separate BiLSTMs models for entities, events and relations as baselines. We call seq-BiLSTMs the baseline models for relations extraction that takes as extra-input the output of the BiLSTMs for entities and events. Similarly, we evaluated seq-RNNG, a hybrid RNNG model that takes as extra-input the output of the BiLSTMs for entities and events. RNNG outperforms seq-BiLSTM for identifying complex relations, with on average 88.1 [84.4-91.6] % versus 69.9 [64.0-75.4] F-measure. However, RNNG tends to be weaker than the baseline BiLSTM on detecting entities, with on average 82.4 [80.8-83.8] versus 84.1 [82.7-85.6] % F- measure. RNNG trained only for detecting relations tends to be weaker than RNNG with the joint modelling objective, 87.4% [85.8-88.8] versus 88.5% [87.2-89.8]. Seq-RNNG is on par with BiLSTM for entities (84.0 [82.6-85.4] % F-measure) and with RNNG for relations (88.7 [87.4-90.0] % F-measure). The performance of RNNG on relations can be explained both by the model architecture, which provides inductive bias to capture the hierarchy in the targets, and the joint modeling objective which allows the RNNG to learn richer representations. RNNG is efficient for modeling relations between entities or/and events in medical texts and its performances are close to those of a BiLSTM for entity and event detection.
• Abstract（参考訳）: 本研究では,臨床テキストにおける薬物情報抽出のためのニューラルネットワークトップダウン遷移解析装置RNNGの評価を行った。 このモデルをフランスの臨床コーパスで評価した。 その任務は、薬物(または薬物のクラス)の名前と、その投与の頻度、投与量、持続時間、状態、および投与の経路を知らせる属性を抽出することであった。 我々は、エンティティ、イベント、それらの関係を、エンティティ、イベント、関係をベースラインとして別々のBiLSTMモデルと共同で識別するRNNGモデルを比較した。 我々はSeq-BiLSTMを関係抽出のベースラインモデルと呼び、エンティティやイベントに対するBiLSTMの出力を出力外とする。 同様に、我々は、エンティティやイベントに対するBiLSTMの出力を出力外とするハイブリッドRNNGモデルであるSeq-RNNGを評価した。 RNNG は 88.1 [84.4-91.6] % に対して 69.9 [64.0-75.4] に対して RNNG はSeq-BiLSTM より優れている。 しかし、rnngは、平均82.4 [80.8-83.8] に対して84.1 [82.7-85.6] % f-測度である。 RNNG は RNNG よりも 87.4% [85.8-88.8] であるのに対して 88.5% [87.2-89.8] である。 Seq-RNNG は BiLSTM のエンティティ (84.0 [82.6-85.4] % F-measure) と、RNNG のリレーションシップ (88.7 [87.4-90.0] % F-measure) と同等である。 RNNGと関係性に関する性能は、ターゲットの階層を捕捉する帰納的バイアスを与えるモデルアーキテクチャと、RNNGがより豊かな表現を学習できるような共同モデリングの目的の両方によって説明できる。 RNNGは、医療用テキストにおけるエンティティやイベント間の関係をモデル化するのに効率的であり、そのパフォーマンスはエンティティとイベント検出のためのBiLSTMに近い。

関連論文リスト

• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Extraction of Medication and Temporal Relation from Clinical Text using Neural Language Models [7.698164945017469]
  textbfMedTemプロジェクトは、BiLSTM-CRFやCNN-BiLSTMなどの先進的な学習構造を使用している。 CNN-BiLSTMは、i2b2-2009 臨床 NER タスクにおいて、精度、リコール、F1 スコアに対して 75.67, 77.83, 78.17 の BiLSTM-CRF モデルにわずかに勝っている。 BERT-CNNモデルは、マクロAvgを使用してP/R/F1の64.48、67.17、65.03の評価スコアも生成した。
  論文  参考訳（メタデータ） (2023-10-03T17:37:22Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• A Federated Learning-based Industrial Health Prognostics for Heterogeneous Edge Devices using Matched Feature Extraction [16.337207503536384]
  本稿では,特徴類似性マッチングパラメータアグリゲーションアルゴリズムを用いたFL型健康予後モデルを提案する。 提案手法は, 健康状態推定と生活寿命推定において, 44.5%, 39.3%の精度向上を達成できることを示す。
  論文  参考訳（メタデータ） (2023-05-13T07:20:31Z)
• GNN-SL: Sequence Labeling Based on Nearest Examples via GNN [50.55076156520809]
  グラフニューラルネットワークシーケンスラベリング(GNN-SL)を導入する。 GNN-SLは、トレーニングセット全体から取得した類似のタグ付け例でバニラシーケンスラベリングモデル出力を増強する。 我々は3つの典型的なシーケンスラベリングタスクについて様々な実験を行う。 GNN-SLはPKUの96.9(+0.2)、CITYUの98.3(+0.4)、MSRの98.5(+0.2)、CWSタスクのASの96.9(+0.2)を達成している。
  論文  参考訳（メタデータ） (2022-12-05T04:22:00Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Uncertainty quantification of two-phase flow in porous media via coupled-TgNN surrogate model [6.705438773768439]
  地下二相流の不確実性定量化(UQ)は通常、様々な条件下でのフォワードシミュレーションの多数の実行を必要とする。 本研究では, 理論誘導型ニューラルネットワーク(TgNN)をベースとした新しいサロゲートモデルを構築し, 良好な精度で効率を向上する。
  論文  参考訳（メタデータ） (2022-05-28T02:33:46Z)
• Interpretable Additive Recurrent Neural Networks For Multivariate Clinical Time Series [4.125698836261585]
  本稿では,モデル内の変数間の関係を加法的に強制することで,モデルの複雑性と精度のバランスをとるInterpretable-RNN(I-RNN)を提案する。 I-RNNは、時間内に不均一にサンプリングされ、非同期に取得され、データが欠落している臨床時系列の特徴を特に捉えている。 本研究は,院内死亡率予測のためのPhysoronet 2012 ChallengeデータセットのI-RNNモデルと,集中治療室における血行動態の介入を予測するリアルな臨床診断支援タスクについて評価する。
  論文  参考訳（メタデータ） (2021-09-15T22:30:19Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)
• Deep Learning Approaches for Extracting Adverse Events and Indications of Dietary Supplements from Clinical Text [16.577591546742823]
  本研究の目的は、深層学習モデルを用いて、臨床テキストにおける食事サプリメント(DS)の使用に関する安全性シグナルを抽出できることを実証することである。 深層学習モデルは、DSの使用の安全性を監視する大きな可能性を秘めている臨床ノートにおいて、有害事象やDSの徴候を検出することができる。
  論文  参考訳（メタデータ） (2020-09-16T16:18:04Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。