Fugu-MT 論文翻訳(概要): Dilated Convolutional Attention Network for Medical Code Assignment from Clinical Text

論文の概要: Dilated Convolutional Attention Network for Medical Code Assignment from Clinical Text

arxiv url: http://arxiv.org/abs/2009.14578v1
Date: Wed, 30 Sep 2020 11:55:58 GMT
ステータス: 処理完了
システム内更新日: 2022-10-13 00:01:41.687201
Title: Dilated Convolutional Attention Network for Medical Code Assignment from Clinical Text
Title（参考訳）: 臨床テキストからの医用コード割り当てのための拡張畳み込み注意ネットワーク
Authors: Shaoxiong Ji, Erik Cambria and Pekka Marttinen
Abstract要約: 本稿では,拡張畳み込み,残差接続,ラベルアテンションを統合した拡張畳み込み注意ネットワーク(DCAN)を提案する。拡張畳み込み(Dilated convolutions)を用いて、拡張サイズとともに指数関数的に増加する受容野で複雑な医療パターンをキャプチャする。
参考スコア（独自算出の注目度）: 19.701824507057623
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical code assignment, which predicts medical codes from clinical texts, is a fundamental task of intelligent medical information systems. The emergence of deep models in natural language processing has boosted the development of automatic assignment methods. However, recent advanced neural architectures with flat convolutions or multi-channel feature concatenation ignore the sequential causal constraint within a text sequence and may not learn meaningful clinical text representations, especially for lengthy clinical notes with long-term sequential dependency. This paper proposes a Dilated Convolutional Attention Network (DCAN), integrating dilated convolutions, residual connections, and label attention, for medical code assignment. It adopts dilated convolutions to capture complex medical patterns with a receptive field which increases exponentially with dilation size. Experiments on a real-world clinical dataset empirically show that our model improves the state of the art.
Abstract（参考訳）: 臨床テキストから医療コードを予測する医療コード割り当ては、インテリジェントな医療情報システムの基本的なタスクである。自然言語処理における深層モデルの出現は、自動代入手法の開発を加速させた。しかし、フラットな畳み込みや多チャンネル特徴結合を伴う最近の先進的ニューラルアーキテクチャは、テキストシーケンス内のシーケンシャルな因果制約を無視し、特に長期のシーケンシャルな依存関係を持つ長い臨床ノートについて有意義な臨床テキスト表現を学ばない可能性がある。本稿では,拡張畳み込み,残差接続,ラベルアテンションを統合した拡張畳み込み注意ネットワーク(DCAN)を提案する。拡張畳み込みを用いて、拡張サイズとともに指数関数的に増加する受容野で複雑な医療パターンを捉える。実世界の臨床データセットの実験は、我々のモデルが芸術の状態を改善することを実証的に示している。

関連論文リスト

Large Language Model in Medical Informatics: Direct Classification and Enhanced Text Representations for Automatic ICD Coding [7.0413463890126735]
本稿では,大規模言語モデル(LLM: Large Language Models),特にLLAMAアーキテクチャを用いて,ICDのコード分類を強化する。我々はこれらの手法を最先端の手法と比較することで評価する。
論文参考訳（メタデータ） (2024-11-11T09:31:46Z)
Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文参考訳（メタデータ） (2024-04-27T05:03:42Z)
Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文参考訳（メタデータ） (2022-06-04T13:16:30Z)
Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
論文参考訳（メタデータ） (2021-12-23T16:11:19Z)
Multi-task Balanced and Recalibrated Network for Medical Code Prediction [19.330911490203317]
人間のコーダーは、患者の入院中に生成された臨床文書に標準化された医療コードを割り当てる。本稿では,マルチタスクバランスとリカリデーションニューラルネットワークという新しいニューラルネットワークを提案する。畳み込みブロックをカスケードして高レベルなセマンティック特徴を抽出して再校正集約モジュールを開発する。提案モデルは,実世界の臨床データセットMIMIC-III上での競争ベースラインよりも優れる。
論文参考訳（メタデータ） (2021-09-06T12:58:25Z)
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)
Multitask Recalibrated Aggregation Network for Medical Code Prediction [19.330911490203317]
長期かつノイズの多い臨床文書の符号化の課題を解決するために,マルチタスク再校正アグリゲーションネットワークを提案する。特に、マルチタスク学習は、異なるコーディングスキーム間で情報を共有し、異なる医療コード間の依存関係をキャプチャする。実世界のMIMIC-IIIデータセットによる実験では、予測性能が大幅に向上した。
論文参考訳（メタデータ） (2021-04-02T09:22:10Z)
Does the Magic of BERT Apply to Medical Code Assignment? A Quantitative Study [2.871614744079523]
事前訓練されたモデルが、さらなるアーキテクチャエンジニアリングなしで医療コード予測に有用かどうかは明らかではない。本稿では,単語間のインタラクションをキャプチャし,ラベル情報を活用する階層的な微調整アーキテクチャを提案する。現在の傾向とは対照的に、我々は慎重に訓練された古典的なCNNは、頻繁なコードでMIMIC-IIIサブセット上の注意ベースのモデルを上回ることを実証します。
論文参考訳（メタデータ） (2021-03-11T07:23:45Z)
A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文参考訳（メタデータ） (2021-02-26T17:49:58Z)
Medical Code Assignment with Gated Convolution and Note-Code Interaction [39.079615516043674]
本稿では,医療コードの自動割り当てのための新しい手法,ゲート畳み込みニューラルネットワーク,ノートコードインタラクション(GatedCNN-NCI)を提案する。新たなノート-コードインタラクション設計とグラフメッセージパッシング機構により、ノートとコード間の基盤となる依存関係を明示的にキャプチャする。提案モデルはほとんどの場合,最先端モデルよりも優れており,モデルサイズは軽量ベースラインと同程度である。
論文参考訳（メタデータ） (2020-10-14T11:37:24Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。