Fugu-MT 論文翻訳(概要): Deep Learning Approaches for Extracting Adverse Events and Indications of Dietary Supplements from Clinical Text

論文の概要: Deep Learning Approaches for Extracting Adverse Events and Indications of Dietary Supplements from Clinical Text

arxiv url: http://arxiv.org/abs/2009.07780v2
Date: Sun, 22 Nov 2020 06:00:02 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 00:30:04.323260
Title: Deep Learning Approaches for Extracting Adverse Events and Indications of Dietary Supplements from Clinical Text
Title（参考訳）: 副次的事象抽出のための深層学習アプローチと臨床テキストからの食事補助の表示
Authors: Yadan Fan, Sicheng Zhou, Yifan Li, Rui Zhang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 16.577591546742823
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The objective of our work is to demonstrate the feasibility of utilizing deep learning models to extract safety signals related to the use of dietary supplements (DS) in clinical text. Two tasks were performed in this study. For the named entity recognition (NER) task, Bi-LSTM-CRF (Bidirectional Long-Short-Term-Memory Conditional Random Fields) and BERT (Bidirectional Encoder Representations from Transformers) models were trained and compared with CRF model as a baseline to recognize the named entities of DS and Events from clinical notes. In the relation extraction (RE) task, two deep learning models, including attention-based Bi-LSTM and CNN (Convolutional Neural Network), and a random forest model were trained to extract the relations between DS and Events, which were categorized into three classes: positive (i.e., indication), negative (i.e., adverse events), and not related. The best performed NER and RE models were further applied on clinical notes mentioning 88 DS for discovering DS adverse events and indications, which were compared with a DS knowledge base. For the NER task, deep learning models achieved a better performance than CRF, with F1 scores above 0.860. The attention-based Bi-LSTM model performed the best in the relation extraction task, with the F1 score of 0.893. When comparing DS event pairs generated by the deep learning models with the knowledge base for DS and Event, we found both known and unknown pairs. Deep learning models can detect adverse events and indication of DS in clinical notes, which hold great potential for monitoring the safety of DS use.
Abstract（参考訳）: 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。この研究で2つの課題が実行された。名前付きエンティティ認識 (ner) タスクでは, bi-lstm-crf (bidirectional long-term-term-memory conditional random fields) と bert (bidirectional encoder representations from transformers) モデルを訓練し,crfモデルと比較した。関係抽出(re)タスクでは、注意に基づくbi-lstmとcnn(convolutional neural network)を含む2つのディープラーニングモデルとランダムフォレストモデルをトレーニングし、dsと事象の関係を正(すなわち、適応)、負(すなわち、悪事象)、関連しない3つのクラスに分類した。 NER と RE は,DS の有害事象や徴候の発見に 88 DS に言及した臨床記録にさらに適用され,DS の知識ベースと比較された。 NERタスクでは、深層学習モデルはCRFよりも優れたパフォーマンスを達成し、F1スコアは0.860を超えた。注意に基づくbi-lstmモデルは,関係抽出タスクにおいて,f1得点0.893。ディープラーニングモデルによって生成されたDSイベントペアとDSとイベントの知識ベースを比較すると、既知のペアと未知のペアの両方が見つかった。深層学習モデルは臨床ノートにおける有害事象の検出とdsの適応が可能であり、ds使用の安全性をモニターする大きな可能性を秘めている。

関連論文リスト

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)
Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文参考訳（メタデータ） (2021-11-08T07:57:30Z)
Automatic Diagnosis of Schizophrenia using EEG Signals and CNN-LSTM Models [9.14428455487933]
本研究は脳波信号を用いた統合失調症自動診断のための多種多様な知的ディープラーニング(DL)に基づく手法を提供する。その結果,従来の知的手法と比較した。
論文参考訳（メタデータ） (2021-09-02T17:45:50Z)
Deep Learning Models in Detection of Dietary Supplement Adverse Event Signals from Twitter [11.012772355341086]
本研究の目的は、Twitterから食事補助関連有害事象(DS AEs)の信号を検出するためのディープラーニングパイプラインを開発することである。
論文参考訳（メタデータ） (2021-06-21T20:35:01Z)
MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文参考訳（メタデータ） (2021-01-07T13:08:44Z)
Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
論文参考訳（メタデータ） (2020-10-13T20:50:13Z)
An Explainable Model for EEG Seizure Detection based on Connectivity Features [0.0]
我々は、特定のデータウィンドウが発作に属しているか否かを検出するディープニューラルネットワークを学習することを提案する。 10個のサブウィンドウのシーケンスとしてデータを取り込み、注意、CNN、BiLstm、および完全に接続されたレイヤを用いて最適なディープラーニングモデルを設計することを目的としている。私たちの最高のモデルアーキテクチャは、バランスの取れたMITBIHデータサブセットを使用して97.03%の精度を実現した。
論文参考訳（メタデータ） (2020-09-26T11:07:30Z)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
DEPARA: Deep Attribution Graph for Deep Knowledge Transferability [91.06106524522237]
本稿では,PR-DNNから学んだ知識の伝達可能性を検討するために,DreP Attribution gRAph (DEPARA)を提案する。 DEPARAでは、ノードは入力に対応し、PR-DNNの出力に関してベクトル化された属性マップで表現される。 2つのPR-DNNの知識伝達性は、対応するDEPARAの類似性によって測定される。
論文参考訳（メタデータ） (2020-03-17T02:07:50Z)
Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models [20.376912072606412]
本稿では, 難治性てんかんの診断に応用したハイブリッドバイリニア深層学習ネットワークを提案する。診断の精度は、医療症状の重複、様々な経験のレベル、および臨床専門職間の多様性によっても複雑である。
論文参考訳（メタデータ） (2020-01-15T03:22:10Z)

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。