論文の概要: Detecting of a Patient's Condition From Clinical Narratives Using Natural Language Representation

• arxiv url: http://arxiv.org/abs/2104.03969v1
• Date: Thu, 8 Apr 2021 17:16:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 14:01:59.181818
• Title: Detecting of a Patient's Condition From Clinical Narratives Using Natural Language Representation
• Title（参考訳）: 自然言語表現を用いた臨床物語からの患者の状態検出
• Authors: Thanh-Dung Le, Jerome Rambaud, Guillaume Sans, Philippe Jouvet and Rita Noumeir
• Abstract要約: 本稿では,臨床自然言語表現学習と教師付き分類フレームワークを提案する。 この新しいフレームワークは、文脈的臨床物語入力から分布構文と潜在意味論(表現学習)を共同で発見する。 提案手法では, 精度, 再現性, 精度をそれぞれ89 %, 88 %, 89 %とした総合分類性能が得られる。
• 参考スコア（独自算出の注目度）: 0.3149883354098941
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper proposes a joint clinical natural language representation learning and supervised classification framework based on machine learning for detecting concept labels in clinical narratives at CHU Sainte Justine Hospital (CHUSJ). The novel framework jointly discovers distributional syntactic and latent semantic (representation learning) from contextual clinical narrative inputs and, then, learns the knowledge representation for labeling in the contextual output (supervised classification). First, for having an effective representation learning approach with a small data set, mixing of numeric values and texts. Four different methods are applied to capture the numerical vital sign values. Then, different representation learning approaches are using to discover the rich structure from clinical narrative data. Second, for an automatic encounter with disease prediction, in this case, cardiac failure. The binary classifiers are iteratively trained to learn the knowledge representation of processed data in the preceding steps. The multilayer perceptron neural network outperforms other discriminative and generative classifiers. Consequently, the proposed framework yields an overall classification performance with accuracy, recall, and precision of 89 % and 88 %, 89 %, respectively. Furthermore, a generative autoencoder (AE) learning algorithm is then proposed to leverage the sparsity reduction. Affirmatively, AE algorithm is overperforming other sparsity reduction techniques. And, the classifier performances can successfully achieve up to 91 %, 91%, and 91%, respectively, for accuracy, recall, and precision.
• Abstract（参考訳）: 本稿では,チュ・サント・ジャスティネ病院(chusj)における臨床ナラティブにおける概念ラベル検出のための機械学習に基づく臨床自然言語表現学習と教師付き分類フレームワークを提案する。 このフレームワークは,文脈的臨床物語入力から分布構文と潜在意味(表現学習)を共同で発見し,文脈的アウトプット(教師付き分類)におけるラベル付けの知識表現を学習する。 まず、小さなデータセットで効率的な表現学習アプローチを実現するために、数値値とテキストを混合する。 数値的なバイタルサイン値を取得するために4つの異なる方法が適用される。 そして,様々な表現学習手法を用いて,臨床物語データからリッチな構造を発見する。 第2に, 疾患予測に自動で遭遇した場合, 心不全が生じる。 バイナリ分類器は、前ステップで処理データの知識表現を学ぶために反復的に訓練される。 多層パーセプトロンニューラルネットワークは、他の識別的および生成的分類器よりも優れる。 その結果, 提案手法では, 精度, 再現率, 精度が89 %, 88 %, 89 %の分類性能が得られた。 さらに、スパルシティ低減を活用すべく、生成型オートエンコーダ(ae)学習アルゴリズムを提案する。 AEアルゴリズムは、他のスパーシリティ低減手法をオーバーパフォーマンスしている。 また、分類器の性能は、精度、リコール、精度でそれぞれ91%、91%、91%の達成に成功している。

関連論文リスト

• Local-to-Global Self-Supervised Representation Learning for Diabetic Retinopathy Grading [0.0]
  本研究では,自己指導型学習と知識蒸留を用いた新しいハイブリッド学習モデルを提案する。 我々のアルゴリズムでは、自己教師型学習および知識蒸留モデルの中で初めて、テストデータセットがトレーニングデータセットよりも50%大きい。 類似の最先端モデルと比較すると,より高精度で効率的な表現空間が得られた。
  論文  参考訳（メタデータ） (2024-10-01T15:19:16Z)
• Infusing clinical knowledge into tokenisers for language models [1.9921590146992474]
  本研究はクリニカルテキスト処理のための新しい知識強化トークン化機構であるK-Tokeniserを紹介する。 初期化段階では、K-Tokeniserはドメイン概念の意味型に基づいてトークンのグローバル表現をポップアップさせる。 新しいトークンを用いた事前学習を避けるため,新しいトークンの表現を生成するために埋め込み初期化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T13:43:03Z)
• Comparison of Machine Learning Classification Algorithms and Application to the Framingham Heart Study [0.0]
  医療における機械学習アルゴリズムの使用は、社会的不正と健康上の不平等を増幅することができる。 本研究は,機械学習分類アルゴリズムの開発と展開後における一般化可能性障害に関するものである。
  論文  参考訳（メタデータ） (2024-02-22T22:49:35Z)
• 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)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Detecting automatically the layout of clinical documents to enhance the performances of downstream natural language processing [53.797797404164946]
  我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。 このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。 それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
  論文  参考訳（メタデータ） (2023-05-23T08:38:33Z)
• Adaptation of Autoencoder for Sparsity Reduction From Clinical Notes Representation Learning [0.19573380763700707]
  本稿では,臨床ノート表現の空間的縮小を生かしたオートエンコーダ学習アルゴリズムを提案する。 その動機は, 臨床注記表現特徴空間の次元を小さくすることで, スパースな高次元データを圧縮する方法を決定することである。 提案手法により,評価毎に最大3%の性能向上が得られた。
  論文  参考訳（メタデータ） (2022-09-26T16:37:37Z)
• 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)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Machine Learning Based on Natural Language Processing to Detect Cardiac Failure in Clinical Narratives [0.2936007114555107]
  この研究の目的は、患者が心不全または健康な状態を有するかどうかを自動的に検出する機械学習アルゴリズムを開発することである。 bag-of-word (BoW), term frequency inverse document frequency (TFIDF), and neural word embeddeddings (word2vec) を用いて単語表現学習を行った。 提案されたフレームワークは、ac、pre、rec、f1がそれぞれ84%、82%、85%、83%の全体的な分類性能を達成した。
  論文  参考訳（メタデータ） (2021-04-08T17:28:43Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。