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
- 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) - Boosting Adverse Drug Event Normalization on Social Media:
General-Purpose Model Initialization and Biomedical Semantic Text Similarity
Benefit Zero-Shot Linking in Informal Contexts [0.32228025627337864]
本稿では,ソーシャルメディア上での有害薬物事象の正規化に対する新たなアプローチを提案する。
いくつかのソーシャルメディアデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-07-31T21:12:06Z) - AD-BERT: Using Pre-trained contextualized embeddings to Predict the
Progression from Mild Cognitive Impairment to Alzheimer's Disease [14.59521645987661]
本研究では,変換器(BERT)モデルから事前学習した双方向表現に基づくディープラーニングフレームワークを開発する。
軽度認知障害(MCI)からアルツハイマー病(AD)への進行リスクを非構造的臨床ノートを用いて予測した。
論文 参考訳(メタデータ) (2022-11-07T04:05:46Z) - 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) - Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出
本稿では,DDI検出のための2段階関節モデルを提案する。
シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
論文 参考訳(メタデータ) (2020-08-28T15:30:08Z) - 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。