論文の概要: Zero-shot Medical Entity Retrieval without Annotation: Learning From Rich Knowledge Graph Semantics

• arxiv url: http://arxiv.org/abs/2105.12682v1
• Date: Wed, 26 May 2021 16:53:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-27 15:40:17.270450
• Title: Zero-shot Medical Entity Retrieval without Annotation: Learning From Rich Knowledge Graph Semantics
• Title（参考訳）: アノテーションのないゼロショット医療エンティティ検索:知識グラフセマンティックスから学ぶ
• Authors: Luyang Kong, Christopher Winestock, Parminder Bhatia
• Abstract要約: 現在のアプローチは特定の医療領域でうまく機能する傾向にあるが、目に見えないサブ分野にはあまり一般化しない。 これは、新しい医療状況や薬物治療が頻発するにつれて、公衆衛生の危機下で懸念が高まります。 医療知識グラフ(KG)は、多数の同義語を含む豊富な意味論と、そのキュレートされたグラフィカル構造を含んでいる。
• 参考スコア（独自算出の注目度）: 5.2710726359379265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical entity retrieval is an integral component for understanding and communicating information across various health systems. Current approaches tend to work well on specific medical domains but generalize poorly to unseen sub-specialties. This is of increasing concern under a public health crisis as new medical conditions and drug treatments come to light frequently. Zero-shot retrieval is challenging due to the high degree of ambiguity and variability in medical corpora, making it difficult to build an accurate similarity measure between mentions and concepts. Medical knowledge graphs (KG), however, contain rich semantics including large numbers of synonyms as well as its curated graphical structures. To take advantage of this valuable information, we propose a suite of learning tasks designed for training efficient zero-shot entity retrieval models. Without requiring any human annotation, our knowledge graph enriched architecture significantly outperforms common zero-shot benchmarks including BM25 and Clinical BERT with 7% to 30% higher recall across multiple major medical ontologies, such as UMLS, SNOMED, and ICD-10.
• Abstract（参考訳）: 医療機関の検索は、様々な医療システムにおける情報の理解と伝達に不可欠な要素である。 現在のアプローチは特定の医療領域でうまく機能する傾向にあるが、目に見えないサブ分野にはあまり一般化しない。 これは、新しい医療状況や薬物治療が頻発するにつれて、公衆衛生の危機下で懸念が高まります。 ゼロショット検索は医療コーパスの曖昧さと変動性が高いため困難であり、言及と概念の正確な類似性尺度を構築するのが困難である。 しかし、医療知識グラフ(KG)には、多数の同義語を含む豊富な意味論と、そのキュレートされたグラフィカル構造が含まれている。 この貴重な情報を活用するために,効率的なゼロショットエンティティ検索モデルを学習するための一連の学習タスクを提案する。 人間のアノテーションを必要とせずに、知識グラフに富んだアーキテクチャは、BM25やクリニカルBERTなどの一般的なゼロショットベンチマークを、UMLS、SNOMED、ICD-10など、複数の主要な医療オントロジーで7%から30%上回っている。

関連論文リスト

• Toward a Unified Graph-Based Representation of Medical Data for Precision Oncology Medicine [0.0]
  本稿では,医学知識を持つ患者の遺伝情報と医療記録を一意の知識グラフで組み合わせた,医用データの統一的な表現を提案する。 このアプローチは、各データセットを別々に見ることによって、利用できない意味のある情報や説明を推測することを可能にする。
  論文  参考訳（メタデータ） (2024-10-17T07:43:48Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
  ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。 胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。 医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:55:02Z)
• Knowledge-injected Prompt Learning for Chinese Biomedical Entity Normalization [6.927883826415262]
  本稿では,バイオメディカルエンティティ正規化(BEN)課題に取り組むために,知識注入型プロンプト学習(PL-Knowledge)手法を提案する。 具体的には、候補エンティティマッチング、知識抽出、知識符号化、知識注入、予測出力の5段階からなる。 医療機関に含まれる知識項目を効果的に符号化することにより、追加の知識は、医療機関間の潜伏関係を捕捉するモデルの能力を高める。
  論文  参考訳（メタデータ） (2023-08-23T09:32:40Z)
• Exploring the In-context Learning Ability of Large Language Model for Biomedical Concept Linking [4.8882241537236455]
  本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。 提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。 BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
  論文  参考訳（メタデータ） (2023-07-03T16:19:50Z)
• PMC-LLaMA: Towards Building Open-source Language Models for Medicine [62.39105735933138]
  大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示した。 LLMは、ドメイン固有の知識が不足しているため、医学的応用のような正確性を必要とする領域で苦労している。 PMC-LLaMAと呼ばれる医療応用に特化した強力なオープンソース言語モデルの構築手順について述べる。
  論文  参考訳（メタデータ） (2023-04-27T18:29:05Z)
• 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)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Path-based knowledge reasoning with textual semantic information for medical knowledge graph completion [20.929596842568994]
  医療知識グラフ(KG)は、しばしば著しく不完全であるため、医療知識グラフの完成(MedKGC)の要求が必要とされる。 MedKGCはKGsの知識から新たな事実を見つけることができる。 本稿では,経路の空間的問題をそれぞれ解決するための2つの新しい経路に基づく推論手法を提案する。
  論文  参考訳（メタデータ） (2021-05-27T11:45:59Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• COMETA: A Corpus for Medical Entity Linking in the Social Media [27.13349965075764]
  われわれは、Redditの専門家がSNOMED CTへのリンクを付加した20万の英語バイオメディカルエンティティからなるCOMETAという新しいコーパスを紹介した。 私たちのコーパスは、スケールとカバレッジから多様性と品質まで、望ましい特性の組み合わせを満足しています。 2つの挑戦的な評価シナリオの下で、エンティティや概念に関する複雑な推論を行うことのできる、これらのシステムの能力に光を当てた。
  論文  参考訳（メタデータ） (2020-10-07T09:16:45Z)

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。