論文の概要: Medical Information Retrieval and Interpretation: A Question-Answer based Interaction Model

• arxiv url: http://arxiv.org/abs/2101.09662v1
• Date: Sun, 24 Jan 2021 07:01:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 08:07:09.259711
• Title: Medical Information Retrieval and Interpretation: A Question-Answer based Interaction Model
• Title（参考訳）: 医療情報検索と解釈 : 質問・回答に基づくインタラクションモデル
• Authors: Nilanjan Sinhababu, Rahul Saxena, Monalisa Sarma and Debasis Samanta
• Abstract要約: インターネットは、様々な医療情報が毎日表現される強力なプラットフォームになっている。 現在の検索エンジンやレコメンデーションシステムは、より正確な結果生成を提供するリアルタイムインタラクションをまだ欠いている。 本稿では、Web上の膨大な医療ビッグデータリポジトリと結びついたインテリジェントでインタラクティブなシステムを提案する。
• 参考スコア（独自算出の注目度）: 7.990816079551592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Internet has become a very powerful platform where diverse medical information are expressed daily. Recently, a huge growth is seen in searches like symptoms, diseases, medicines, and many other health related queries around the globe. The search engines typically populate the result by using the single query provided by the user and hence reaching to the final result may require a lot of manual filtering from the user's end. Current search engines and recommendation systems still lack real time interactions that may provide more precise result generation. This paper proposes an intelligent and interactive system tied up with the vast medical big data repository on the web and illustrates its potential in finding medical information.
• Abstract（参考訳）: インターネットは、様々な医療情報が毎日表現される強力なプラットフォームになっている。 最近は、症状、病気、薬、その他世界中の多くの健康関連クエリなどの検索で、大きな成長が見られる。 検索エンジンは、通常、ユーザが提供する単一のクエリを使用して結果をポップアップするので、最終的な結果に到達するには、ユーザの端から多くの手動フィルタリングが必要になる可能性がある。 現在の検索エンジンやレコメンデーションシステムは、より正確な結果生成を提供するリアルタイムインタラクションをまだ欠いている。 本稿では,web上の膨大な医療ビッグデータリポジトリと連携した,インテリジェントでインタラクティブなシステムを提案する。

関連論文リスト

• A Survey of Medical Vision-and-Language Applications and Their Techniques [48.268198631277315]
  医療ビジョン・アンド・ランゲージモデル(MVLM)は、複雑な医療データを解釈するための自然言語インタフェースを提供する能力から、大きな関心を集めている。 本稿では,MVLMの概要と適用した各種医療課題について概観する。 また、これらのタスクに使用するデータセットについても検討し、標準化された評価指標に基づいて異なるモデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-11-19T03:27:05Z)
• A Knowledge Graph-Based Search Engine for Robustly Finding Doctors and Locations in the Healthcare Domain [3.268887739788112]
  知識グラフ(KG)は、半構造化データから洞察を収集する利点を組み合わせる強力な方法として登場した。 医療領域の医師や場所を確実に見つけるためのKGベースの検索エンジンアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-10-08T18:28:17Z)
• Med-Flamingo: a Multimodal Medical Few-shot Learner [58.85676013818811]
  医療領域に適応したマルチモーダル・数ショット学習者であるMed-Flamingoを提案する。 OpenFlamingo-9Bに基づいて、出版物や教科書からの医療画像テキストデータのペア化とインターリーブ化を継続する。 本研究は,医療用VQA(ジェネレーティブ医療用VQA)の最初の人間評価である。
  論文  参考訳（メタデータ） (2023-07-27T20:36:02Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)
• ChatDoctor: A Medical Chat Model Fine-Tuned on a Large Language Model Meta-AI (LLaMA) Using Medical Domain Knowledge [8.584905227066034]
  本研究の目的は,医療アドバイスの精度を向上した専門言語モデルを作ることであった。 そこで我々は,10万件の患者-医師対話の大規模データセットを用いて,大規模言語モデルメタAI(LLaMA)の適応と精錬を行った。 実際の患者と医師の相互作用によるモデルの微調整により、患者のニーズを理解し、アドバイスを提供する能力は大幅に向上した。
  論文  参考訳（メタデータ） (2023-03-24T15:29:16Z)
• Medical Question Understanding and Answering with Knowledge Grounding and Semantic Self-Supervision [53.692793122749414]
  本稿では,知識基盤とセマンティック・セルフスーパービジョンを備えた医療質問理解・回答システムについて紹介する。 我々のシステムは、まず、教師付き要約損失を用いて、長い医学的、ユーザによる質問を要約するパイプラインである。 システムはまず、信頼された医療知識ベースから要約されたユーザ質問とFAQとをマッチングし、対応する回答文書から一定の数の関連文を検索する。
  論文  参考訳（メタデータ） (2022-09-30T08:20:32Z)
• LingYi: Medical Conversational Question Answering System based on Multi-modal Knowledge Graphs [35.55690461944328]
  本稿では,マルチモーダル知識グラフに基づくCQAシステム,すなわち「LingYi」を提案する。 本システムでは,医用トリアージ,コンサルテーション,画像・テキスト・ドラッグ・レコメンデーション,記録などの医療行為を自動で行う。
  論文  参考訳（メタデータ） (2022-04-20T04:41:26Z)
• Multimodal Machine Learning in Precision Health [10.068890037410316]
  本総説は, この分野を要約し, 今後の研究に欠かせない話題を特定するものである。 コンテンツ分析と文献検索を組み合わせて,2011年から2021年にかけてPubMed, Google Scholar, IEEEXploreの検索文字列とデータベースを構築した。 情報融合の最も一般的な形態は、初期の融合であり、特に、異種データ融合を行う予測性能の改善があった。
  論文  参考訳（メタデータ） (2022-04-10T21:56:07Z)
• Retrieving and ranking short medical questions with two stages neural matching model [3.8020157990268206]
  インターネットユーザーの80%が、オンライン上で健康に関する質問をしている。 医学分野における代表的な質問や回答は、医療データマイニングに有用な原資料である。 問合せレベルの医療質問のセマンティックマッチングのための新しい2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-16T07:00:35Z)
• MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
  MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。 実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T03:34:33Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。