論文の概要: Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference

• arxiv url: http://arxiv.org/abs/2012.08790v1
• Date: Wed, 16 Dec 2020 08:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-05-03 03:10:46.614936
• Title: Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference
• Title（参考訳）: 確率的ソフト論理規則化と大域的推論を用いた臨床時間関係抽出
• Authors: Yichao Zhou, Yu Yan, Rujun Han, J. Harry Caufield, Kai-Wei Chang, Yizhou Sun, Peipei Ping, and Wei Wang
• Abstract要約: 既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
• 参考スコア（独自算出の注目度）: 50.029659413650194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There has been a steady need in the medical community to precisely extract the temporal relations between clinical events. In particular, temporal information can facilitate a variety of downstream applications such as case report retrieval and medical question answering. Existing methods either require expensive feature engineering or are incapable of modeling the global relational dependencies among the events. In this paper, we propose a novel method, Clinical Temporal ReLation Exaction with Probabilistic Soft Logic Regularization and Global Inference (CTRL-PG) to tackle the problem at the document level. Extensive experiments on two benchmark datasets, I2B2-2012 and TB-Dense, demonstrate that CTRL-PG significantly outperforms baseline methods for temporal relation extraction.
• Abstract（参考訳）: 臨床イベント間の時間的関係を正確に抽出する医療コミュニティは着実に必要とされている。 特に、時間情報は、ケースレポート検索や医療質問応答など、さまざまなダウンストリームアプリケーションを促進することができる。 既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルなリレーショナル依存関係をモデル化できないかのいずれかです。 本稿では,確率的ソフト論理規則化とグローバル推論(CTRL-PG)による,文書レベルでの問題に取り組むための新手法を提案する。 2つのベンチマークデータセットであるI2B2-2012とTB-Denseの大規模な実験により、CTRL-PGは時間的関係抽出の基準法よりも著しく優れていることが示された。

関連論文リスト

• Interpretable Hybrid-Rule Temporal Point Processes [14.894965496467647]
  時間的ポイントプロセス(TPP)は、様々な医療領域におけるイベントシーケンスのモデル化に広く用いられている。 近年、解釈可能なTPPを導入しているが、これらの手法は数値的特徴を取り入れていない。 本稿では,時間論理ルールと数値的特徴を統合する新しいフレームワークであるHybrid-Rule Temporal Point Processes (HRTPP)を提案する。
  論文  参考訳（メタデータ） (2025-04-15T16:15:16Z)
• Temporal Relation Extraction in Clinical Texts: A Span-based Graph Transformer Approach [3.5309406714258764]
  I2B22012の時間的関連課題コーパスを用いて臨床イベントとその時間的関係を抽出する課題に対処する。 本研究では,スパンベース実体関係抽出,臨床大言語モデル(LPLM),異種グラフ変換器(HGT)を統合した新しい手法である GraphTREX を紹介する。 この研究は、時間的情報抽出の進歩だけでなく、時間的推論の強化による診断および予後モデルの改善の基礎となる。
  論文  参考訳（メタデータ） (2025-03-23T14:34:49Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
  アーキテクチャとフレームワークのバイアスがモデルのパフォーマンスにどのように影響するかを示します。 実験では、プリプロセッシングと実装の選択に基づいて、最大20%の性能変化を示す。 我々は,現在の深層計算法と医療要件の相違点を同定する。
  論文  参考訳（メタデータ） (2024-07-11T12:33:28Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Identifying TBI Physiological States by Clustering Multivariate Clinical Time-Series Data [8.487912181381404]
  SLAC-Timeは、イミューテーションやアグリゲーションを回避してデータの整合性を維持する革新的なセルフスーパービジョンベースのアプローチである。 大規模な研究データセットにSLAC-Timeを用いてデータをクラスタリングすることにより,3つの異なるTBI生理状態が同定された。
  論文  参考訳（メタデータ） (2023-03-23T04:16:00Z)
• Bayesian Complementary Kernelized Learning for Multidimensional Spatiotemporal Data [11.763229353978321]
  補足型並列学習(BCKL)のための新しい統計フレームワークを提案する。 BCKLは、正確な後部平均値と高品質の不確実性推定を提供することで優れた性能を提供する。
  論文  参考訳（メタデータ） (2022-08-21T22:38:54Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)
• Sample-Efficient Reinforcement Learning via Counterfactual-Based Data Augmentation [15.451690870640295]
  医療などのいくつかのシナリオでは、通常、各患者に利用可能なレコードはごくわずかであり、現在の強化学習アルゴリズムの適用を妨げる。 構造因果モデル(SCM)を利用して状態ダイナミクスをモデル化する,データ効率の高いRLアルゴリズムを提案する。 本研究は, 軽度条件下では反実結果が識別可能であり, 反実に基づく拡張データセット上のq学習が最適値関数に収束することを示す。
  論文  参考訳（メタデータ） (2020-12-16T17:21:13Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。