論文の概要: Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis

• arxiv url: http://arxiv.org/abs/2101.11374v1
• Date: Wed, 27 Jan 2021 13:16:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 19:49:30.586125
• Title: Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis
• Title（参考訳）: 遺伝誘導型階層分類による臨床自動診断
• Authors: Yichao Du, Pengfei Luo, Xudong Hong, Tong Xu, Zhe Zhang, Chao Ren, Yi Zheng, Enhong Chen
• Abstract要約: 臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 50.15205065710629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical diagnosis, which aims to assign diagnosis codes for a patient based on the clinical note, plays an essential role in clinical decision-making. Considering that manual diagnosis could be error-prone and time-consuming, many intelligent approaches based on clinical text mining have been proposed to perform automatic diagnosis. However, these methods may not achieve satisfactory results due to the following challenges. First, most of the diagnosis codes are rare, and the distribution is extremely unbalanced. Second, existing methods are challenging to capture the correlation between diagnosis codes. Third, the lengthy clinical note leads to the excessive dispersion of key information related to codes. To tackle these challenges, we propose a novel framework to combine the inheritance-guided hierarchical assignment and co-occurrence graph propagation for clinical automatic diagnosis. Specifically, we propose a hierarchical joint prediction strategy to address the challenge of unbalanced codes distribution. Then, we utilize graph convolutional neural networks to obtain the correlation and semantic representations of medical ontology. Furthermore, we introduce multi attention mechanisms to extract crucial information. Finally, extensive experiments on MIMIC-III dataset clearly validate the effectiveness of our method.
• Abstract（参考訳）: 臨床ノートに基づいて患者の診断コードを割り当てることを目的とした臨床診断は、臨床意思決定において重要な役割を果たします。 手動による診断は誤診や時間を要する可能性があるため、臨床テキストマイニングに基づくインテリジェントなアプローチが多数提案されている。 しかし, これらの手法は, 以下の課題により, 良好な結果が得られない可能性がある。 第一に、ほとんどの診断符号はまれであり、分布は極めて不均衡である。 第二に、既存の方法は診断コード間の相関を捉えることが困難である。 第3に、長い臨床記録は、コードに関連する重要な情報の過度な分散につながる。 これらの課題に対処するため,臨床自動診断のための継承誘導階層配置と共起グラフ伝播を組み合わせた新しい枠組みを提案する。 具体的には、不均衡な符号分布の課題に対処する階層的共同予測戦略を提案する。 そこで我々は, グラフ畳み込みニューラルネットワークを用いて, 医療オントロジーの相関と意味表現を求める。 さらに,重要な情報を抽出するためのマルチアテンション機構を導入する。 最後に、MIMIC-IIIデータセットの広範な実験は、この方法の有効性を明確に検証する。

関連論文リスト

• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• PromptMRG: Diagnosis-Driven Prompts for Medical Report Generation [7.508437260320598]
  医療報告作成のための診断駆動プロンプト(PromptMRG)を提案する。 PromptMRGは、追加の疾患分類ブランチを持つエンコーダデコーダアーキテクチャに基づいている。 クロスモーダル機能拡張は、クエリイメージの診断を支援するために、データベースから類似したレポートを検索する。
  論文  参考訳（メタデータ） (2023-08-24T07:10:31Z)
• OpenClinicalAI: An Open and Dynamic Model for Alzheimer's Disease Diagnosis [11.775648630734949]
  アルツハイマー病(AD)は逆転や治癒はできないが、タイムリーな診断は治療やケアの負担を大幅に軽減することができる。 AD診断モデルに関する現在の研究は、診断タスクを典型的な分類タスクと見なしている。 複雑で不確実な臨床環境下での直接AD診断のためのOpenClinicalAIを提案する。
  論文  参考訳（メタデータ） (2023-07-03T12:35:03Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Tree-Guided Rare Feature Selection and Logic Aggregation with Electronic Health Records Data [7.422597776308963]
  希少な二項特徴を持つ大規模回帰のための木誘導的特徴選択と論理集約手法を提案する。 EHRデータを用いた自殺リスクスタディでは、我々のアプローチは、以前のメンタルヘルス診断を選択して集約することができる。
  論文  参考訳（メタデータ） (2022-06-18T03:52:43Z)
• Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic Reinforcement Learning [9.274138493400436]
  医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。 これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。 生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-08T03:06:16Z)
• Learning Hierarchical Attention for Weakly-supervised Chest X-Ray Abnormality Localization and Diagnosis [28.747482895051103]
  深層学習は医療画像の進歩を 引き起こしていますが 臨床上の課題の多くは 完全には解決されていません この問題に対処する潜在的な方法の1つは、これらのモデルを、単に分類するだけでなく、異常をローカライズするためにさらに訓練することである。 本研究では,これらの課題に対処するために,注意駆動型弱教師付きアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-23T04:12:51Z)
• Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
  政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。 提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
  論文  参考訳（メタデータ） (2020-04-29T15:02:41Z)

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。