論文の概要: Medical symptom recognition from patient text: An active learning
approach for long-tailed multilabel distributions
- arxiv url: http://arxiv.org/abs/2011.06874v2
- Date: Sun, 28 Mar 2021 23:18:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 06:22:41.781885
- Title: Medical symptom recognition from patient text: An active learning
approach for long-tailed multilabel distributions
- Title(参考訳): 患者テキストからの医学症状認識:長期多ラベル分布に対するアクティブラーニングアプローチ
- Authors: Ali Mottaghi, Prathusha K Sarma, Xavier Amatriain, Serena Yeung,
Anitha Kannan
- Abstract要約: 患者テキストから医学的症状認識の問題点を考察する。
典型的な患者テキストは、患者が経験している症状を記述していることが多い。
そのようなテキストの1つの例は、複数の症状で"ラベル"することができる。
- 参考スコア(独自算出の注目度): 11.603661204443272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of medical symptoms recognition from patient text, for
the purposes of gathering pertinent information from the patient (known as
history-taking). A typical patient text is often descriptive of the symptoms
the patient is experiencing and a single instance of such a text can be
"labeled" with multiple symptoms. This makes learning a medical symptoms
recognizer challenging on account of i) the lack of availability of voluminous
annotated data as well as ii) the large unknown universe of multiple symptoms
that a single text can map to. Furthermore, patient text is often characterized
by a long tail in the data (i.e., some labels/symptoms occur more frequently
than others for e.g "fever" vs "hematochezia"). In this paper, we introduce an
active learning method that leverages underlying structure of a continually
refined, learned latent space to select the most informative examples to label.
This enables the selection of the most informative examples that progressively
increases the coverage on the universe of symptoms via the learned model,
despite the long tail in data distribution.
- Abstract(参考訳): 本研究は,患者(歴史テイク)から関連する情報を集める目的で,患者テキストから医療症状認識の問題について検討する。
典型的な患者テキストは、患者が経験している症状を記述し、そのようなテキストの1つの例を複数の症状で"ラベル"することができる。
これにより、医学的症状の認識が困難になる
i)voluminous annotated dataの可用性の欠如
二 一つのテキストが写像できる複数の症状を有する大きな未知の宇宙
さらに、患者のテキストはデータの長い尾で特徴づけられることが多い(例えば、"fever" 対 "hematochezia" では、いくつかのラベルや症状が他の人よりも頻繁に発生する)。
本稿では,継続的に洗練され学習された潜在空間の構造を活用し,ラベル付けする最も有益な例を選択するアクティブラーニング手法を提案する。
これにより、データ分布の長い尾にもかかわらず、学習されたモデルを通して症状の宇宙のカバレッジを徐々に増加させる最も有益な例を選択できる。
関連論文リスト
- Unified Medical Image-Text-Label Contrastive Learning With Continuous
Prompt [3.218449686637963]
本稿では,連続的なプロンプトに基づく画像-テキスト-ラベルのコントラスト学習フレームワークを提案する。
我々は,Unified Medical Contrastive Learningフレームワークが下流のタスクに優れた性能を示すことを示す十分な実験を通して実証する。
論文 参考訳(メタデータ) (2023-07-12T05:19:10Z) - Leveraging text data for causal inference using electronic health
records [2.4374097382908477]
電子健康データを用いて因果推論を支援するためにテキストデータをどのように利用できるかを示す。
我々は、因果推論のためのマッチングを用いた研究に焦点をあてる。
臨床データの二次分析の範囲を、量的データが質の悪い領域や存在しない領域にまで広げたい。
論文 参考訳(メタデータ) (2023-06-09T16:06:02Z) - 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) - Hierarchical Knowledge Guided Learning for Real-world Retinal Diseases
Recognition [20.88407972858568]
眼科AIで最近発表されたいくつかのデータセットは、40種類以上の網膜疾患からなり、複雑な異常と様々な致死性がある。
モデリングの観点からは、これらのデータセットでトレーニングされたほとんどのディープラーニングモデルは、まれな疾患に一般化する能力に欠ける可能性がある。
本稿では,網膜疾患認識のための長期データベースから深部ニューラルネットワークを学習するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-17T05:44:39Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳(メタデータ) (2021-06-24T17:46:03Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Unifying Relational Sentence Generation and Retrieval for Medical Image
Report Composition [142.42920413017163]
現在の手法は、個々のケースのデータセットバイアスにより、しばしば最も一般的な文を生成する。
テンプレート検索と文生成を一体化し、共通およびまれな異常に対処する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-09T04:33:27Z) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳(メタデータ) (2020-12-22T13:20:23Z) - Seeing The Whole Patient: Using Multi-Label Medical Text Classification
Techniques to Enhance Predictions of Medical Codes [2.158285012874102]
18,50,155ラベルの多ラベル医療用テキスト分類問題について報告する。
不均衡なデータに対して、頻繁に発生するラベルは、埋め込みに組み込まれた追加機能から最も恩恵を受けることを示す。
この研究の高次元埋め込みは公共用途に利用可能である。
論文 参考訳(メタデータ) (2020-03-29T02:19:30Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳(メタデータ) (2020-02-26T17:10:48Z) - Understanding patient complaint characteristics using contextual
clinical BERT embeddings [1.9060575156739825]
臨床会話の応用では、抽出された実体は患者の苦情の主訴をとらえる傾向にある。
本稿では,一般利用者が提示する症状などの特徴を2段階に分けて検出する手法を提案する。
臨床テキストのエンコードにはWord2VecとBERTを用いる。
処理された符号化とLDA(Linear Discriminant Analysis)アルゴリズムを組み合わせて、主エンティティの特性を分類する。
論文 参考訳(メタデータ) (2020-02-14T07:45:33Z)
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。