Fugu-MT 論文翻訳(概要): Multitask Recalibrated Aggregation Network for Medical Code Prediction

論文の概要: Multitask Recalibrated Aggregation Network for Medical Code Prediction

arxiv url: http://arxiv.org/abs/2104.00952v1
Date: Fri, 2 Apr 2021 09:22:10 GMT
ステータス: 処理完了
システム内更新日: 2021-04-05 13:55:15.319627
Title: Multitask Recalibrated Aggregation Network for Medical Code Prediction
Title（参考訳）: 医療コード予測のためのマルチタスク校正アグリゲーションネットワーク
Authors: Wei Sun and Shaoxiong Ji and Erik Cambria and Pekka Marttinen
Abstract要約: 長期かつノイズの多い臨床文書の符号化の課題を解決するために,マルチタスク再校正アグリゲーションネットワークを提案する。特に、マルチタスク学習は、異なるコーディングスキーム間で情報を共有し、異なる医療コード間の依存関係をキャプチャする。実世界のMIMIC-IIIデータセットによる実験では、予測性能が大幅に向上した。
参考スコア（独自算出の注目度）: 19.330911490203317
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Medical coding translates professionally written medical reports into standardized codes, which is an essential part of medical information systems and health insurance reimbursement. Manual coding by trained human coders is time-consuming and error-prone. Thus, automated coding algorithms have been developed, building especially on the recent advances in machine learning and deep neural networks. To solve the challenges of encoding lengthy and noisy clinical documents and capturing code associations, we propose a multitask recalibrated aggregation network. In particular, multitask learning shares information across different coding schemes and captures the dependencies between different medical codes. Feature recalibration and aggregation in shared modules enhance representation learning for lengthy notes. Experiments with a real-world MIMIC-III dataset show significantly improved predictive performance.
Abstract（参考訳）: 医療コーディングは、専門的に書かれた医療報告書を標準化されたコードに翻訳し、医療情報システムや医療保険の返済に不可欠な部分である。トレーニングされた人間のコーダによる手動コーディングは時間がかかり、エラーが発生しやすい。このように、特に機械学習とディープニューラルネットワークの最近の進歩に基づいて、自動コーディングアルゴリズムが開発されている。長大でノイズの多い臨床文書のエンコードとコード関連の取得という課題を解決するため,マルチタスク対応集約ネットワークを提案する。特にマルチタスク学習は、異なるコーディングスキーム間で情報を共有し、異なる医療コード間の依存関係をキャプチャする。共有モジュールにおける特徴リカバリとアグリゲーションは、長い音符の表現学習を強化する。実世界のMIMIC-IIIデータセットによる実験では、予測性能が大幅に向上した。

関連論文リスト

Automated Ensemble Multimodal Machine Learning for Healthcare [52.500923923797835]
本稿では,自動機械学習を用いた構造化臨床(タブラル)データと医用画像の統合を実現するマルチモーダルフレームワークAutoPrognosis-Mを紹介する。 AutoPrognosis-Mには、畳み込みニューラルネットワークとビジョントランスフォーマーを含む17のイメージングモデルと、3つの異なるマルチモーダル融合戦略が含まれている。
論文参考訳（メタデータ） (2024-07-25T17:46:38Z)
Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文参考訳（メタデータ） (2024-04-27T05:03:42Z)
CodeIP: A Grammar-Guided Multi-Bit Watermark for Large Language Models of Code [56.019447113206006]
大規模言語モデル(LLM)はコード生成において顕著な進歩を遂げた。 CodeIPは、新しいマルチビット透かし技術で、出所の詳細を保存するために追加情報を埋め込む。 5つのプログラミング言語にまたがる実世界のデータセットで実施された実験は、CodeIPの有効性を実証している。
論文参考訳（メタデータ） (2024-04-24T04:25:04Z)
Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
論文参考訳（メタデータ） (2023-04-21T11:54:44Z)
Medical Codes Prediction from Clinical Notes: From Human Coders to Machines [0.21320960069210473]
臨床ノートから医療コードを予測することは、すべての医療提供組織にとって実用的で不可欠である。最大の課題は、構造化されていないフリーテキスト臨床ノートから数千の高次元コードから適切な医療コードを直接識別することである。最近の研究では、本格的なディープラーニングベースの手法による最先端のコード予測結果が示されている。
論文参考訳（メタデータ） (2022-10-30T14:24:13Z)
Multi-task Balanced and Recalibrated Network for Medical Code Prediction [19.330911490203317]
人間のコーダーは、患者の入院中に生成された臨床文書に標準化された医療コードを割り当てる。本稿では,マルチタスクバランスとリカリデーションニューラルネットワークという新しいニューラルネットワークを提案する。畳み込みブロックをカスケードして高レベルなセマンティック特徴を抽出して再校正集約モジュールを開発する。提案モデルは,実世界の臨床データセットMIMIC-III上での競争ベースラインよりも優れる。
論文参考訳（メタデータ） (2021-09-06T12:58:25Z)
Read, Attend, and Code: Pushing the Limits of Medical Codes Prediction from Clinical Notes by Machines [0.42641920138420947]
医用コード代入マッピングを学習するための、読み取り、 attend、および Code (RAC) モデルを提示する。 RACは、現在最高のマクロF1を18.7%上回るSOTA(the New State of the Art)を確立している。この新たなマイルストーンは、マシンにおける完全自律型医療コーディング(AMC)への重要な一歩となる。
論文参考訳（メタデータ） (2021-07-10T06:01:58Z)
Does the Magic of BERT Apply to Medical Code Assignment? A Quantitative Study [2.871614744079523]
事前訓練されたモデルが、さらなるアーキテクチャエンジニアリングなしで医療コード予測に有用かどうかは明らかではない。本稿では,単語間のインタラクションをキャプチャし,ラベル情報を活用する階層的な微調整アーキテクチャを提案する。現在の傾向とは対照的に、我々は慎重に訓練された古典的なCNNは、頻繁なコードでMIMIC-IIIサブセット上の注意ベースのモデルを上回ることを実証します。
論文参考訳（メタデータ） (2021-03-11T07:23:45Z)
A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文参考訳（メタデータ） (2021-02-26T17:49:58Z)
Medical Code Assignment with Gated Convolution and Note-Code Interaction [39.079615516043674]
本稿では,医療コードの自動割り当てのための新しい手法,ゲート畳み込みニューラルネットワーク,ノートコードインタラクション(GatedCNN-NCI)を提案する。新たなノート-コードインタラクション設計とグラフメッセージパッシング機構により、ノートとコード間の基盤となる依存関係を明示的にキャプチャする。提案モデルはほとんどの場合,最先端モデルよりも優れており,モデルサイズは軽量ベースラインと同程度である。
論文参考訳（メタデータ） (2020-10-14T11:37:24Z)
Encoding-based Memory Modules for Recurrent Neural Networks [79.42778415729475]
本稿では,リカレントニューラルネットワークの設計とトレーニングの観点から,記憶サブタスクについて考察する。本稿では,線形オートエンコーダを組み込んだエンコーディングベースのメモリコンポーネントを特徴とする新しいモデルであるLinear Memory Networkを提案する。
論文参考訳（メタデータ） (2020-01-31T11:14:27Z)

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。