Fugu-MT 論文翻訳(概要): Detecting Adverse Drug Reactions from Twitter through Domain-Specific Preprocessing and BERT Ensembling

論文の概要: Detecting Adverse Drug Reactions from Twitter through Domain-Specific Preprocessing and BERT Ensembling

arxiv url: http://arxiv.org/abs/2005.06634v1
Date: Mon, 11 May 2020 20:49:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 19:44:27.569465
Title: Detecting Adverse Drug Reactions from Twitter through Domain-Specific Preprocessing and BERT Ensembling
Title（参考訳）: ドメイン特化前処理とBERTによるTwitterの副作用検出
Authors: Amy Breden, Lee Moore
Abstract要約: 我々はTwitterのつぶやきの中で、薬物の言及を含むADRを分類するためのディープラーニングモデルを開発することを目指している。我々のアプローチでは、$BERT_LARGE$と2つのドメイン固有のBERT実装、$BioBERT$と$Bio + ClinicalBERT$を微調整しました。最終モデルは、$F_1$-score (0.6681) とリコール (0.7700) の両方で、SMM4H 2019と評価後のすべてのモデルを上回った。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The automation of adverse drug reaction (ADR) detection in social media would revolutionize the practice of pharmacovigilance, supporting drug regulators, the pharmaceutical industry and the general public in ensuring the safety of the drugs prescribed in daily practice. Following from the published proceedings of the Social Media Mining for Health (SMM4H) Applications Workshop & Shared Task in August 2019, we aimed to develop a deep learning model to classify ADRs within Twitter tweets that contain drug mentions. Our approach involved fine-tuning $BERT_{LARGE}$ and two domain-specific BERT implementations, $BioBERT$ and $Bio + clinicalBERT$, applying a domain-specific preprocessor, and developing a max-prediction ensembling approach. Our final model resulted in state-of-the-art performance on both $F_1$-score (0.6681) and recall (0.7700) outperforming all models submitted in SMM4H 2019 and during post-evaluation to date.
Abstract（参考訳）: ソーシャルメディアにおける有害薬物反応(ADR)検出の自動化は、日常的に処方される薬物の安全性を確保するために、薬物規制、医薬品産業、一般大衆を支援する薬局の実践に革命をもたらす。 2019年8月のSocial Media Mining for Health (SMM4H) Applications Workshop & Shared Task(SMM4H)の公開手続きに続いて、Twitterのつぶやきの中でADRを分類する深層学習モデルの開発を目指していた。提案手法は、$BERT_{LARGE}$と$BioBERT$と$Bio + ClinicalBERT$の2つのドメイン固有のBERT実装を微調整し、ドメイン固有のプリプロセッサを適用し、最大予測アンサンブルアプローチを開発した。最終モデルは、$F_1$-score (0.6681) とリコール (0.7700) の両方で、SMM4H 2019と評価後のすべてのモデルを上回った。

関連論文リスト

DrugAgent: Automating AI-aided Drug Discovery Programming through LLM Multi-Agent Collaboration [31.892593155710625]
本稿では,薬物発見における機械学習(ML)プログラムの自動化を目的としたマルチエージェントフレームワークであるDrarmAgentを紹介する。 DrugAgentは、特定の要件を特定し、ドメイン固有のツールを構築することで、ドメインの専門知識を取り入れている。例えば、DarmAgentは、データ取得からADMET予測タスクのパフォーマンス評価まで、MLプログラミングパイプラインをエンドツーエンドで完了し、最終的に最良のモデルを選択することができる。
論文参考訳（メタデータ） (2024-11-24T03:06:59Z)
$\texttt{PatentAgent}$: Intelligent Agent for Automated Pharmaceutical Patent Analysis [17.569006298922783]
我々は、このドメインに$textbffirst$ Intelgent Agent、$texttPatentAgent$を導入し、薬学研究の展望を前進させ、潜在的に変革する可能性がある。 $textitPA-QA$、$textitPA-Img2Mol$、$textitPA-CoreId$の3つの主要なエンドツーエンドモジュールは、それぞれ(1)特許の問合せ、(2)画像から分子構造への変換、(3)コアの化学構造識別を実行する。
論文参考訳（メタデータ） (2024-10-25T19:15:08Z)
Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
論文参考訳（メタデータ） (2024-07-21T15:49:05Z)
Utilizing AI and Social Media Analytics to Discover Adverse Side Effects of GLP-1 Receptor Agonists [0.0]
FDA承認後に明らかにされた薬物の副作用(ASE)は、患者の安全を脅かす。我々はソーシャルメディアから大量の公開データを分析できるデジタル手法を開発した。グルカゴン様ペプチド1受容体アゴニスト(GLP-1 RA)市場に関連する21の電位を発見した。
論文参考訳（メタデータ） (2024-04-01T09:48:14Z)
Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文参考訳（メタデータ） (2024-03-13T09:42:46Z)
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)
Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文参考訳（メタデータ） (2022-03-28T05:44:29Z)
DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文参考訳（メタデータ） (2022-01-24T12:32:48Z)
Mining Adverse Drug Reactions from Unstructured Mediums at Scale [0.0]
副作用の薬物反応/事象(ADR/ADE)は、患者の健康と医療費に大きな影響を及ぼす。ほとんどのADRは正式なチャンネルでは報告されないが、しばしば構造化されていない会話で記録される。本研究では,非構造化自由テキスト会話におけるADRを検出する自然言語処理(NLP)ソリューションを提案する。
論文参考訳（メタデータ） (2022-01-05T01:52:42Z)
SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文参考訳（メタデータ） (2021-05-05T00:20:48Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。