論文の概要: Lifelong Learning based Disease Diagnosis on Clinical Notes
- arxiv url: http://arxiv.org/abs/2103.00165v1
- Date: Sat, 27 Feb 2021 09:23:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:47:06.905468
- Title: Lifelong Learning based Disease Diagnosis on Clinical Notes
- Title(参考訳): 臨床ノートによる生涯学習に基づく疾患診断
- Authors: Zifeng Wang, Yifan Yang, Rui Wen, Xi Chen, Shao-Lun Huang, and Yefeng
Zheng
- Abstract要約: 本稿では,医学的実体と文脈の融合,エピソディクス記憶の埋め込み,知識の保持に注意を払うことを提案する。
各種病院から収集した臨床記録を含む新しいベンチマークjarvis-40を樹立した。
提案手法は,提案するベンチマークで最先端の性能が得られることを示す。
- 参考スコア(独自算出の注目度): 24.146567779632107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current deep learning based disease diagnosis systems usually fall short in
catastrophic forgetting, i.e., directly fine-tuning the disease diagnosis model
on new tasks usually leads to abrupt decay of performance on previous tasks.
What is worse, the trained diagnosis system would be fixed once deployed but
collecting training data that covers enough diseases is infeasible, which
inspires us to develop a lifelong learning diagnosis system. In this work, we
propose to adopt attention to combine medical entities and context, embedding
episodic memory and consolidation to retain knowledge, such that the learned
model is capable of adapting to sequential disease-diagnosis tasks. Moreover,
we establish a new benchmark, named Jarvis-40, which contains clinical notes
collected from various hospitals. Our experiments show that the proposed method
can achieve state-of-the-art performance on the proposed benchmark.
- Abstract(参考訳): 現在の深層学習に基づく疾患診断システムは、通常、壊滅的な忘れ、すなわち、新しいタスクにおける疾患診断モデルを直接微調整すると、通常、以前のタスクでのパフォーマンスが突然崩壊する。
さらに悪いことに、訓練された診断システムは一度デプロイされると修正されますが、十分な病気をカバーするトレーニングデータを収集することは不可能です。
本稿では,医学的実体と文脈を結合し,エピソディクス記憶と統合を組み込んで知識を保ち,学習モデルが逐次的な疾患診断タスクに適応できるよう,注意を払うことを提案する。
さらに,各種病院から収集した臨床記録を含むJarvis-40という新たなベンチマークを作成した。
提案手法は,提案するベンチマークで最先端の性能が得られることを示す。
関連論文リスト
- A Learnable Multi-views Contrastive Framework with Reconstruction Discrepancy for Medical Time-Series [8.741139851597364]
本稿では、関連するタスクから外部データを取り込み、AE-GANを利用して事前知識を抽出することを提案する。
マルチヘッドアテンション機構を統合し,異なる視点から表現を適応的に学習するフレームワークであるLMCFを紹介する。
3つのターゲットデータセットの実験により、我々の手法が他の7つのベースラインを一貫して上回ることを示した。
論文 参考訳(メタデータ) (2025-01-30T14:20:11Z) - An Explainable Disease Surveillance System for Early Prediction of Multiple Chronic Diseases [0.0]
複数の慢性疾患に対する臨床的、実用的、説明可能な疾患監視システムを開発した。
本研究は, 来年の慢性疾患のリスクを事前に評価するために, 医療史, バイタル, 診断, 医薬品など, 日常的に利用可能なデータに焦点をあてる。
論文 参考訳(メタデータ) (2025-01-27T11:26:54Z) - A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳(メタデータ) (2023-11-26T14:42:31Z) - 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) - Adapter Learning in Pretrained Feature Extractor for Continual Learning
of Diseases [66.27889778566734]
現在、インテリジェント診断システムには、デプロイされたばかりの新しい病気を継続的に診断する能力がない。
特に、新しい疾患のトレーニングデータを用いたインテリジェント診断システムの更新は、古い疾患の知識を壊滅的に忘れてしまう可能性がある。
ACLと呼ばれるアダプタベースの連続学習フレームワークは、新しい病気の集合を効果的に学習するために提案されている。
論文 参考訳(メタデータ) (2023-04-18T15:01:45Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳(メタデータ) (2022-04-12T12:25:05Z) - Efficient Symptom Inquiring and Diagnosis via Adaptive Alignment of
Reinforcement Learning and Classification [0.6415701940560564]
そこで本研究では,それぞれに強化学習課題と分類課題として定式化された症状検索と疾患診断を併用した医学的自動診断法を提案する。
我々はMedlinePlus知識ベースから抽出された新しいデータセットを作成し、より多くの病気とより完全な症状情報を含む。
実験結果から,本手法は異なるデータセット上での3つの最新手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-12-01T11:25:42Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
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。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z)
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。