Fugu-MT 論文翻訳(概要): Extracting Concepts for Precision Oncology from the Biomedical Literature

論文の概要: Extracting Concepts for Precision Oncology from the Biomedical Literature

arxiv url: http://arxiv.org/abs/2010.00074v1
Date: Wed, 30 Sep 2020 19:31:04 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 23:55:32.047862
Title: Extracting Concepts for Precision Oncology from the Biomedical Literature
Title（参考訳）: 生物医学文献からの精密腫瘍学概念の抽出
Authors: Nicholas Greenspan and Yuqi Si and Kirk Roberts
Abstract要約: 本稿では,生物医学研究論文から精度オンコロジーに関する概念を抽出するための,初期データセットと自動自然言語処理(NLP)手法について述べる。標準的な二重アノテーションの手順に従って250のバイオメディカル抽象化のコーパスにこれらの概念を付加した。最高性能モデルは63.8%、リコールは71.9%、F1は67.1だった。
参考スコア（独自算出の注目度）: 5.622771295091645
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper describes an initial dataset and automatic natural language processing (NLP) method for extracting concepts related to precision oncology from biomedical research articles. We extract five concept types: Cancer, Mutation, Population, Treatment, Outcome. A corpus of 250 biomedical abstracts were annotated with these concepts following standard double-annotation procedures. We then experiment with BERT-based models for concept extraction. The best-performing model achieved a precision of 63.8%, a recall of 71.9%, and an F1 of 67.1. Finally, we propose additional directions for research for improving extraction performance and utilizing the NLP system in downstream precision oncology applications.
Abstract（参考訳）: 本稿では,生物医学研究論文から精度オンコロジーに関する概念を抽出するための,初期データセットと自動自然言語処理(NLP)手法について述べる。がん,突然変異,人口,治療,アウトカムの5つの概念タイプを抽出する。標準的な二重アノテーションの手順に従って250のバイオメディカル抽象化のコーパスにこれらの概念を付加した。次に,概念抽出のためのBERTモデル実験を行った。最高性能モデルは63.8%、リコールは71.9%、F1は67.1だった。最後に,下流の精度オンコロジーへの応用において,抽出性能の向上とNLPシステムの利用のための新たな方向を提案する。

関連論文リスト

DS@BioMed at ImageCLEFmedical Caption 2024: Enhanced Attention Mechanisms in Medical Caption Generation through Concept Detection Integration [0.0]
本研究では,概念検出を注意機構に組み込むことにより,医用画像キャプション生成へのアプローチを改良した。キャプション予測タスクでは,概念統合と後処理技術によって強化されたBEiT+BioBartモデルで,検証セットで0.60589,プライベートテストセットで0.5794,9位となった。
論文参考訳（メタデータ） (2024-06-01T10:14:33Z)
SNOBERT: A Benchmark for clinical notes entity linking in the SNOMED CT clinical terminology [43.89160296332471]
本稿では,BERT モデルを用いた SNOMED CT のテキストスパンと特定の概念をリンクする手法を提案する。本手法は, 候補選択と候補マッチングの2段階からなる。これらのモデルは, ラベル付き臨床ノートの公開データセットの中で, 最大規模で訓練された。
論文参考訳（メタデータ） (2024-05-25T08:00:44Z)
Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model [0.7373617024876725]
臨床試験は医薬品の介入を促進するのに不可欠であるが、適格な参加者を選ぶ際にボトルネックに直面している。構造化されていない医療用テキストの複雑な性質は、参加者を効率的に識別する上での課題である。本研究では,コホート選択課題に対するプロンプトベース大規模言語モデルの性能評価を目的とした。
論文参考訳（メタデータ） (2024-04-24T20:42:28Z)
ClinLinker: Medical Entity Linking of Clinical Concept Mentions in Spanish [39.81302995670643]
本研究は、医療エンティティリンクのための2相パイプラインを用いた新しいアプローチであるClinLinkerを提示する。 SapBERTベースのバイエンコーダに基づいており、その後クロスエンコーダで再ランクされ、スペインの医療概念に合わせた対照的な学習戦略に従って訓練されている。
論文参考訳（メタデータ） (2024-04-09T15:04:27Z)
Investigating Deep-Learning NLP for Automating the Extraction of Oncology Efficacy Endpoints from Scientific Literature [0.0]
我々は,論文中のテキストから有効終端を抽出するフレームワークを開発し,最適化した。我々の機械学習モデルは、有効性エンドポイントに関連する25のクラスを予測し、高いF1スコアを得る。
論文参考訳（メタデータ） (2023-11-03T14:01:54Z)
An Efficient Consolidation of Word Embedding and Deep Learning Techniques for Classifying Anticancer Peptides: FastText+BiLSTM [0.0]
抗がんペプチド(英語: Anticancer peptides、ACP)は、より高い選択性と安全性を有するペプチドである。近年の科学的進歩はペプチドベースの治療法への関心を生んでいる。 ACPは、正常な細胞に悪影響を及ぼすことなく、目的の細胞を効率的に治療する利点を提供する。
論文参考訳（メタデータ） (2023-09-21T13:25:11Z)
BioBERT Based SNP-traits Associations Extraction from Biomedical Literature [0.5273676920837106]
SNP特性関連を同定するためにBioBERT-GRU法を提案する。 SNPPhenAデータセット上での本手法の評価から,本手法は従来の機械学習法や深層学習法よりも優れていると結論付けた。
論文参考訳（メタデータ） (2023-08-03T09:40:27Z)
Detecting automatically the layout of clinical documents to enhance the performances of downstream natural language processing [53.797797404164946]
我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
論文参考訳（メタデータ） (2023-05-23T08:38:33Z)
BioGPT: Generative Pre-trained Transformer for Biomedical Text Generation and Mining [140.61707108174247]
本稿では,大規模生物医学文献に基づいて事前学習したドメイン固有生成型トランスフォーマー言語モデルであるBioGPTを提案する。 BC5CDRでは44.98%、38.42%、40.76%のF1スコア、KD-DTIとDDIの関係抽出タスクでは78.2%、PubMedQAでは78.2%の精度が得られた。
論文参考訳（メタデータ） (2022-10-19T07:17:39Z)
WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文参考訳（メタデータ） (2022-04-13T15:27:05Z)
Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。次に、テキストを体系的に前処理するためのパイプラインを構築します。我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
論文参考訳（メタデータ） (2020-10-22T19:52:49Z)

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。