論文の概要: A Practical Approach towards Causality Mining in Clinical Text using Active Transfer Learning

• arxiv url: http://arxiv.org/abs/2012.07563v1
• Date: Thu, 10 Dec 2020 06:51:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 22:16:11.238171
• Title: A Practical Approach towards Causality Mining in Clinical Text using Active Transfer Learning
• Title（参考訳）: 能動転写学習を用いた臨床テキストの因果的マイニングへの実践的アプローチ
• Authors: Musarrat Hussain, Fahad Ahmed Satti, Jamil Hussain, Taqdir Ali, Syed Imran Ali, Hafiz Syed Muhammad Bilal, Gwang Hoon Park, Sungyoung Lee
• Abstract要約: 因果関係マイニングは、最先端の自然言語処理技術の応用を必要とする活発な研究領域である。 この研究は、臨床テキストを因果知識に変換するフレームワークを作成することを目的としている。
• 参考スコア（独自算出の注目度）: 2.6125458645126907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Causality mining is an active research area, which requires the application of state-of-the-art natural language processing techniques. In the healthcare domain, medical experts create clinical text to overcome the limitation of well-defined and schema driven information systems. The objective of this research work is to create a framework, which can convert clinical text into causal knowledge. Methods: A practical approach based on term expansion, phrase generation, BERT based phrase embedding and semantic matching, semantic enrichment, expert verification, and model evolution has been used to construct a comprehensive causality mining framework. This active transfer learning based framework along with its supplementary services, is able to extract and enrich, causal relationships and their corresponding entities from clinical text. Results: The multi-model transfer learning technique when applied over multiple iterations, gains performance improvements in terms of its accuracy and recall while keeping the precision constant. We also present a comparative analysis of the presented techniques with their common alternatives, which demonstrate the correctness of our approach and its ability to capture most causal relationships. Conclusion: The presented framework has provided cutting-edge results in the healthcare domain. However, the framework can be tweaked to provide causality detection in other domains, as well. Significance: The presented framework is generic enough to be utilized in any domain, healthcare services can gain massive benefits due to the voluminous and various nature of its data. This causal knowledge extraction framework can be used to summarize clinical text, create personas, discover medical knowledge, and provide evidence to clinical decision making.
• Abstract（参考訳）: 目的:因果関係のマイニングは、最先端の自然言語処理技術の応用を必要とする活発な研究領域である。 医療分野において、医療専門家は、明確に定義されたスキーマ駆動の情報システムの限界を克服するために臨床テキストを作成する。 本研究の目的は,臨床テキストを因果知識に変換する枠組みを構築することである。 方法:用語展開,フレーズ生成,BERTに基づくフレーズ埋め込みと意味マッチング,セマンティックエンリッチメント,専門家による検証,モデル進化に基づく実践的アプローチを用いて,包括的な因果的マイニングの枠組みを構築した。 このactive transfer learningベースのフレームワークは、補足サービスとともに、臨床テキストから因果関係とその関連エンティティを抽出・強化することができる。 結果:マルチモデルトランスファー学習手法は,複数のイテレーションを繰り返すことで,精度の向上と再現性の向上を実現し,精度を一定に保ちながらリコールを行う。 また,提案手法と共通する手法の比較分析を行い,提案手法の正しさとほとんどの因果関係を捉える能力を示す。 結論: このフレームワークは医療領域において最先端の結果を提供している。 しかし、他のドメインで因果検出を提供するためにフレームワークを微調整することもできる。 意義: 提示されたフレームワークは、あらゆるドメインで利用できるほど汎用的であり、医療サービスは、そのデータの輝かしく多様な性質のために、大きな利益を得ることができる。 この因果知識抽出フレームワークは、臨床テキストの要約、ペルソナの作成、医療知識の発見、臨床意思決定への証拠の提供に使用することができる。

関連論文リスト

• Diagnostic Reasoning in Natural Language: Computational Model and Application [68.47402386668846]
  言語基底タスク(NL-DAR)の文脈における診断誘導推論(DAR)について検討する。 パール構造因果モデルに基づくNL-DARの新しいモデリングフレームワークを提案する。 得られたデータセットを用いて,NL-DARにおける人間の意思決定過程を解析する。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• Attribute Structuring Improves LLM-Based Evaluation of Clinical Text Summaries [62.32403630651586]
  大規模言語モデル(LLM)は、正確な臨床テキスト要約を生成する可能性を示しているが、根拠付けと評価に関する問題に苦慮している。 本稿では、要約評価プロセスを構成するAttribute Structuring(AS)を用いた一般的な緩和フレームワークについて検討する。 ASは、臨床テキスト要約における人間のアノテーションと自動メトリクスの対応性を一貫して改善する。
  論文  参考訳（メタデータ） (2024-03-01T21:59:03Z)
• Semantic Textual Similarity Assessment in Chest X-ray Reports Using a Domain-Specific Cosine-Based Metric [1.7802147489386628]
  本稿では,生成医療報告と基礎的真実とのセマンティックな類似性を評価するための新しいアプローチを提案する。 本手法の有効性を検証し,医学的文脈におけるドメイン固有の意味的類似性を評価する。
  論文  参考訳（メタデータ） (2024-02-19T07:48:25Z)
• MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
  本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。 我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。 特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-03T05:48:50Z)
• Enhancing the vision-language foundation model with key semantic knowledge-emphasized report refinement [9.347971487478038]
  本稿では,キーセマンティックな知識強調レポート改善手法を提案することで,新しい視覚言語表現学習フレームワークを開発する。 我々のフレームワークは、微調整とゼロショットの両方において、最先端の7つの手法を超越している。
  論文  参考訳（メタデータ） (2024-01-21T07:57:04Z)
• Knowledge Boosting: Rethinking Medical Contrastive Vision-Language Pre-Training [6.582001681307021]
  知識ブースティング・コントラスト・ビジョン・ランゲージ事前学習フレームワーク(KoBo)を提案する。 KoBoは、臨床知識を視覚言語意味一貫性の学習に統合する。 分類,セグメンテーション,検索,意味的関連性を含む8つのタスクに対するフレームワークの効果を検証する実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T09:38:22Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• 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)
• UmlsBERT: Clinical Domain Knowledge Augmentation of Contextual Embeddings Using the Unified Medical Language System Metathesaurus [73.86656026386038]
  事前学習プロセス中にドメイン知識を統合するコンテキスト埋め込みモデルであるUmlsBERTを紹介する。 これらの2つの戦略を適用することで、UmlsBERTは、臨床領域の知識を単語埋め込みにエンコードし、既存のドメイン固有モデルより優れている。
  論文  参考訳（メタデータ） (2020-10-20T15:56:31Z)
• Clinical Text Summarization with Syntax-Based Negation and Semantic Concept Identification [22.556855536939878]
  我々は、人間の専門家によるバイオメディカル知識ベースを用いた計算言語学を用いて、解釈可能かつ有意義な臨床テキスト要約を実現する。 本研究の目的は, バイオメディカルオントロジーを意味情報と共に利用し, 言語階層構造, 選挙区木を活かして, 正しい臨床概念とそれに対応する否定情報を同定することである。
  論文  参考訳（メタデータ） (2020-02-29T22:15:15Z)
• Knowledge-guided Text Structuring in Clinical Trials [0.38073142980733]
  本稿では,知識ベースを自動生成する知識誘導型テキスト構造化フレームワークを提案する。 実験結果から,本手法は全体の高精度化とリコールが可能であることが示唆された。
  論文  参考訳（メタデータ） (2019-12-28T01:12:15Z)

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。