Fugu-MT 論文翻訳(概要): Assertion Detection in Multi-Label Clinical Text using Scope Localization

論文の概要: Assertion Detection in Multi-Label Clinical Text using Scope Localization

arxiv url: http://arxiv.org/abs/2005.09246v1
Date: Tue, 19 May 2020 06:56:02 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 12:56:04.660595
Title: Assertion Detection in Multi-Label Clinical Text using Scope Localization
Title（参考訳）: スコープ・ローカライゼーションを用いた多ラベル臨床テキストの挿入検出
Authors: Rajeev Bhatt Ambati, Ahmed Ada Hanifi, Ramya Vunikili, Puneet Sharma, and Oladimeji Farri
Abstract要約: 我々は,複数のラベルとそのスコープを単一段階のエンドツーエンドでローカライズする畳み込みニューラルネットワーク(CNN)アーキテクチャを開発した。本モデルは,多ラベル臨床テキストの最先端よりも12%高い性能を示した。
参考スコア（独自算出の注目度）: 1.937415170949876
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-label sentences (text) in the clinical domain result from the rich description of scenarios during patient care. The state-of-theart methods for assertion detection mostly address this task in the setting of a single assertion label per sentence (text). In addition, few rules based and deep learning methods perform negation/assertion scope detection on single-label text. It is a significant challenge extending these methods to address multi-label sentences without diminishing performance. Therefore, we developed a convolutional neural network (CNN) architecture to localize multiple labels and their scopes in a single stage end-to-end fashion, and demonstrate that our model performs atleast 12% better than the state-of-the-art on multi-label clinical text.
Abstract（参考訳）: 臨床領域における多ラベル文(テキスト)は、患者ケアにおけるシナリオの豊富な記述から生じる。アサーション検出のための最先端の手法は、主に文毎のアサーションラベル(テキスト)の設定でこのタスクに対処する。さらに,ルールベースや深層学習手法が単一ラベルテキスト上で否定・補助範囲検出を行う場合も少なくない。性能を低下させることなく、これらの手法を複数ラベル文に拡張することは大きな課題である。そこで我々は,複数のラベルとそのスコープを単一段階のエンドツーエンドでローカライズする畳み込みニューラルネットワーク(CNN)アーキテクチャを開発した。

関連論文リスト

Few Exemplar-Based General Medical Image Segmentation via Domain-Aware Selective Adaptation [28.186785488818135]
医用画像のセグメンテーションは、ドメインのギャップ、データモダリティの変化、ドメインの知識や専門家への依存による課題を引き起こす。本稿では,自然画像で訓練した大規模モデルから学習した一般知識を,対応する医療領域・モダリティに適応させるための,ドメイン対応選択的適応手法を提案する。
論文参考訳（メタデータ） (2024-10-11T21:00:57Z)
SGSeg: Enabling Text-free Inference in Language-guided Segmentation of Chest X-rays via Self-guidance [10.075820470715374]
テキストフリー推論(ユニモーダル)を実現しつつ、学習のための言語指導(マルチモーダル)を活用するセルフガイドセグメンテーションフレームワーク(SGSeg)を提案する。本報告では, 肺, 病理組織ともに重要な位置情報を活用するとともに, 自己指導のための臨床報告を生成するために, 新たな局所化強化レポート生成(LERG)モジュールを導入する。我々のLERGは、位置認識型擬似ラベル抽出モジュールによって弱制御された、オブジェクト検出器と位置ベースアグリゲータを統合している。
論文参考訳（メタデータ） (2024-09-07T08:16:00Z)
Multimodal self-supervised learning for lesion localization [41.7046184109176]
テキストレポートから全文を局所的意味的アライメントの基本単位として取り出す新しい手法が導入された。このアプローチは胸部X線画像と対応するテキストレポートを組み合わせることで、グローバルレベルとローカルレベルの両方でコントラスト学習を行う。
論文参考訳（メタデータ） (2024-01-03T03:33:48Z)
One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement [59.14062241534754]
医用ランドマークのワンショット化のための2段階のフレームワークを提案する。ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
論文参考訳（メタデータ） (2022-07-31T15:42:28Z)
Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of Code-Mixed Clinical Texts [56.72488923420374]
事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
論文参考訳（メタデータ） (2022-04-10T21:46:52Z)
Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文参考訳（メタデータ） (2021-08-02T10:42:52Z)
Development and evaluation of intraoperative ultrasound segmentation with negative image frames and multiple observer labels [0.17159130619349347]
セグメンテーションネットワークに先立って,プレスクリーン分類ネットワークの有用性を評価する。従来提案されていたランダムサンプリングとコンセンサスラベルを組み合わせたアプローチは,本アプリケーションでよく機能するために適応する必要がある可能性があることを実験的に示す。
論文参考訳（メタデータ） (2021-07-28T12:15:49Z)
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)
Few-shot Learning for Multi-label Intent Detection [59.66787898744991]
State-of-the-art work estimates label-instancelevance scores and using threshold to select multiple associated intent labels。 2つのデータセットの実験により、提案モデルが1ショットと5ショットの両方の設定において強いベースラインを著しく上回ることが示された。
論文参考訳（メタデータ） (2020-10-11T14:42:18Z)
Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
論文参考訳（メタデータ） (2020-06-22T13:03:01Z)

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。