論文の概要: Unlocking the Power of Deep PICO Extraction: Step-wise Medical NER Identification

• arxiv url: http://arxiv.org/abs/2005.06601v1
• Date: Thu, 30 Apr 2020 03:09:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 05:17:04.731282
• Title: Unlocking the Power of Deep PICO Extraction: Step-wise Medical NER Identification
• Title（参考訳）: 深部PICO抽出のパワーを解き放つ:段階的医学的NER同定
• Authors: Tengteng Zhang, Yiqin Yu, Jing Mei, Zefang Tang, Xiang Zhang, Shaochun Li
• Abstract要約: PICO抽出の主な課題は、医学文献から文章を抽出し、それらを各クラスに分類することである。 ほとんどの場合、ある階級に分類されてさえも、抽出された文には複数の証拠が存在する。 ステップワイズ病名認識(DNER)抽出法とPICO識別法を提案する。
• 参考スコア（独自算出の注目度）: 6.2394207396359045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The PICO framework (Population, Intervention, Comparison, and Outcome) is usually used to formulate evidence in the medical domain. The major task of PICO extraction is to extract sentences from medical literature and classify them into each class. However, in most circumstances, there will be more than one evidences in an extracted sentence even it has been categorized to a certain class. In order to address this problem, we propose a step-wise disease Named Entity Recognition (DNER) extraction and PICO identification method. With our method, sentences in paper title and abstract are first classified into different classes of PICO, and medical entities are then identified and classified into P and O. Different kinds of deep learning frameworks are used and experimental results show that our method will achieve high performance and fine-grained extraction results comparing with conventional PICO extraction works.
• Abstract（参考訳）: PICOフレームワーク(Population, Intervention, Comparison, Outcome)は通常、医療領域における証拠の定式化に使用される。 PICO抽出の主な課題は、医学文献から文章を抽出し、各クラスに分類することである。 しかし、ほとんどの状況において、抽出された文には特定のクラスに分類されても複数の証拠が存在する。 この問題に対処するため,我々はdner(entity recognition)抽出法とpico同定法というステップワイズ疾患を提案する。 論文のタイトルと要約文はまずPICOの異なるクラスに分類され、医療機関はPとOに分類され、異なる種類のディープラーニングフレームワークが使用され、実験結果から従来のPICO抽出方法と比較して高い性能ときめ細かい抽出結果が得られることが示された。

関連論文リスト

• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• A Marker-based Neural Network System for Extracting Social Determinants of Health [12.6970199179668]
  健康の社会的決定因子(SDoH)は、患者の医療の質と格差を左右する。 多くのSDoHアイテムは、電子健康記録の構造化形式でコード化されていない。 我々は,臨床ノートから自動的にSDoH情報を抽出する,名前付きエンティティ認識(NER),関係分類(RC),テキスト分類手法を含む多段階パイプラインを探索する。
  論文  参考訳（メタデータ） (2022-12-24T18:40:23Z)
• Nested Named Entity Recognition from Medical Texts: An Adaptive Shared Network Architecture with Attentive CRF [53.55504611255664]
  ネスト現象によるジレンマを解決するために,ASACと呼ばれる新しい手法を提案する。 提案手法は,適応共有(AS)部と注意条件付きランダムフィールド(ACRF)モジュールの2つの鍵モジュールを含む。 我々のモデルは、異なるカテゴリのエンティティ間の暗黙の区別と関係をキャプチャすることで、より良いエンティティ表現を学ぶことができる。
  論文  参考訳（メタデータ） (2022-11-09T09:23:56Z)
• Sent2Span: Span Detection for PICO Extraction in the Biomedical Text without Span Annotations [17.480599429324155]
  臨床試験記事からの人口、介入、比較、アウトカム(PICO)情報は、体系的なレビューに自動的に治験を割り当てる効果的な方法であるかもしれない。 本稿では,クラウドソース型文レベルのアノテーションのみを用いたPICOスパン検出手法を提案する。 2つのデータセットの実験により、PICOのスパン検出結果が完全に教師付きされた手法よりもはるかに高いリコール結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-09-06T06:14:49Z)
• Clinical Named Entity Recognition using Contextualized Token Representations [49.036805795072645]
  本稿では,各単語の意味的意味をより正確に把握するために,文脈型単語埋め込み手法を提案する。 言語モデル(C-ELMo)とC-Flair(C-Flair)の2つの深い文脈型言語モデル(C-ELMo)を事前訓練する。 明示的な実験により、静的単語埋め込みとドメインジェネリック言語モデルの両方と比較して、我々のモデルは劇的に改善されている。
  論文  参考訳（メタデータ） (2021-06-23T18:12:58Z)
• Hierarchical Learning Using Deep Optimum-Path Forest [55.60116686945561]
  バグオブビジュアルワード(bovw)やディープラーニング技術は、コンピュータ支援医療診断を含むいくつかの領域で広く使われている。 本研究では機械学習とBoVWの概念を用いたパーキンソン病の自動同定ツールの開発に興味を持っている。
  論文  参考訳（メタデータ） (2021-02-18T13:02:40Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• AI Driven Knowledge Extraction from Clinical Practice Guidelines: Turning Research into Practice [2.803896166632835]
  臨床実践ガイドライン(CPGs)は、医療領域における最先端の研究成果を医療従事者と共有するための最前線の方法論です。 しかし、多くのCPGから関連する知識を抽出することは、すでに負担のかかる医療専門家には実現できません。 本研究は, CPGから知識を抽出し, ギャップを減らし, 最新の研究成果を臨床実践に転換する手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T07:23:02Z)
• Understanding Clinical Trial Reports: Extracting Medical Entities and Their Relations [33.30381080306156]
  医療専門家は、意思決定を知らせるために、手動で記事から情報を取り出す必要がある。 本研究は, (a) 臨床試験を記載した全文記事から治療結果と成果を抽出し, (b) 後者に関して, 前者に対して報告された結果の推測を行うことの両目的について考察する。
  論文  参考訳（メタデータ） (2020-10-07T17:50:58Z)
• Medicine Strip Identification using 2-D Cepstral Feature Extraction and Multiclass Classification Methods [3.263412894884991]
  本稿では,その画像の2次元ケプストラム解析による医用ストリップの同定手法を提案する。 上記のアルゴリズムを実装し,その識別結果を比較した。
  論文  参考訳（メタデータ） (2020-02-03T09:45:01Z)

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。