Fugu-MT 論文翻訳(概要): Validating GAN-BioBERT: A Methodology For Assessing Reporting Trends In Clinical Trials

論文の概要: Validating GAN-BioBERT: A Methodology For Assessing Reporting Trends In Clinical Trials

arxiv url: http://arxiv.org/abs/2106.00665v1
Date: Tue, 1 Jun 2021 17:51:54 GMT
ステータス: 処理完了
システム内更新日: 2021-06-02 14:44:13.588758
Title: Validating GAN-BioBERT: A Methodology For Assessing Reporting Trends In Clinical Trials
Title（参考訳）: GAN-BioBERTの検証 : 臨床治験における報告傾向の評価方法
Authors: Joshua J Myszewski, Emily Klossowski, Patrick Meyer, Kristin Bevil, Lisa Klesius, Kristopher M Schroeder
Abstract要約: 本研究では,半教師付き自然言語プロセスモデルを用いた臨床試験要約のための感情分類アルゴリズムを開発した。このアルゴリズムの精度は91.3%であり、マクロF1スコアは0.92であり、従来の手法に比べて精度が大幅に向上した。
参考スコア（独自算出の注目度）: 3.164363223464948
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In the past decade, there has been much discussion about the issue of biased reporting in clinical research. Despite this attention, there have been limited tools developed for the systematic assessment of qualitative statements made in clinical research, with most studies assessing qualitative statements relying on the use of manual expert raters, which limits their size. Also, previous attempts to develop larger scale tools, such as those using natural language processing, were limited by both their accuracy and the number of categories used for the classification of their findings. With these limitations in mind, this study's goal was to develop a classification algorithm that was both suitably accurate and finely grained to be applied on a large scale for assessing the qualitative sentiment expressed in clinical trial abstracts. Additionally, this study seeks to compare the performance of the proposed algorithm, GAN-BioBERT, to previous studies as well as to expert manual rating of clinical trial abstracts. This study develops a three-class sentiment classification algorithm for clinical trial abstracts using a semi-supervised natural language process model based on the Bidirectional Encoder Representation from Transformers (BERT) model, from a series of clinical trial abstracts annotated by a group of experts in academic medicine. Results: The use of this algorithm was found to have a classification accuracy of 91.3%, with a macro F1-Score of 0.92, which is a significant improvement in accuracy when compared to previous methods and expert ratings, while also making the sentiment classification finer grained than previous studies. The proposed algorithm, GAN-BioBERT, is a suitable classification model for the large-scale assessment of qualitative statements in clinical trial literature, providing an accurate, reproducible tool for the large-scale study of clinical publication trends.
Abstract（参考訳）: 過去10年間、臨床研究におけるバイアスド・レポーティングの問題について多くの議論がなされてきた。この点にも拘わらず、臨床研究における質的記述の体系的評価のための限られたツールが開発されており、ほとんどの研究は、その大きさを制限する手作業のエキスパート・リサーの使用に依拠して質的記述を評価する。また、自然言語処理などの大規模ツール開発の試みは、その精度と発見の分類に使用されるカテゴリ数によって制限されていた。これらの制約を念頭に置いて、臨床試験の要約で表される定性的な感情を評価するために、大規模に適用するには適度に正確かつきめ細かな分類アルゴリズムを開発することが本研究の目的であった。さらに,本研究では,提案アルゴリズムであるGAN-BioBERTと過去の研究との比較や,臨床治験要約のマニュアル評価について検討する。本研究は,トランスフォーマー(bert)モデルからの双方向エンコーダ表現に基づく半教師自然言語プロセスモデルを用いて,臨床実施例の3種類の感情分類アルゴリズムを開発した。結果: このアルゴリズムを用いた場合, 分類精度は91.3%であり, マクロf1-scoreは0.92であり, 従来の方法やエキスパート格付けに比べ, 精度が大幅に向上した。提案手法であるgan-biobertは, 臨床文献における質的記述の大規模評価に適した分類モデルであり, 臨床出版動向の大規模研究に正確な再現性を提供する。

関連論文リスト

Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model [0.7373617024876725]
臨床試験は医薬品の介入を促進するのに不可欠であるが、適格な参加者を選ぶ際にボトルネックに直面している。構造化されていない医療用テキストの複雑な性質は、参加者を効率的に識別する上での課題である。本研究では,コホート選択課題に対するプロンプトベース大規模言語モデルの性能評価を目的とした。
論文参考訳（メタデータ） (2024-04-24T20:42:28Z)
TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction [19.084936647082632]
マルチモーダルデータを用いて臨床試験期間を推定する機械学習に基づくTrialDuraを提案する。バイオメディカルコンテキストに特化されたBio-BERT埋め込みにエンコードして,より深く,より関連するセマンティック理解を提供する。提案モデルでは, 平均絶対誤差(MAE)が1.04年, 根平均二乗誤差(RMSE)が1.39年であった。
論文参考訳（メタデータ） (2024-04-20T02:12:59Z)
Uncertainty Quantification on Clinical Trial Outcome Prediction [37.238845949535616]
本稿では,不確実性の定量化を臨床治験結果の予測に取り入れることを提案する。私たちの主な目標は、ニュアンスドの違いを識別するモデルの能力を強化することです。我々は目的を達成するために選択的な分類手法を採用した。
論文参考訳（メタデータ） (2024-01-07T13:48:05Z)
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)
Machine Learning-Assisted Pattern Recognition Algorithms for Estimating Ultimate Tensile Strength in Fused Deposition Modeled Polylactic Acid Specimens [0.0]
混合沈着モデル(FDM)プロセスを用いて作製したポリ乳酸(PLA)試料の最大引張強度(UTS)を推定するための教師付き機械学習アルゴリズムの適用について検討した。主な目的は、ロジスティック分類(Logistic Classification)、グラディエントブースティング分類(Gradient Boosting Classification)、決定木(Decision Tree)、K-Nearest Neighbor(K-Nearest Neighbor)の4つの異なる分類アルゴリズムの精度と有効性を評価することである。その結果、決定木とK-Nearest NeighborアルゴリズムはともにF1スコア0.71を達成したが、KNNアルゴリズムはAUC(Area Under the Curve)スコア0.79を達成し、他のアルゴリズムを上回った。
論文参考訳（メタデータ） (2023-07-13T11:10:22Z)
AutoTrial: Prompting Language Models for Clinical Trial Design [53.630479619856516]
本稿では,言語モデルを用いた臨床検査基準の設計を支援するAutoTrialという手法を提案する。 70K以上の臨床試験で、AutoTrialが高品質な基準テキストを生成することが確認された。
論文参考訳（メタデータ） (2023-05-19T01:04:16Z)
SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
論文参考訳（メタデータ） (2023-04-07T23:04:27Z)
Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。臨床文献のコーパスを12種類に分類した。私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文参考訳（メタデータ） (2023-03-23T17:17:46Z)
CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
中国初のバイオメディカル言語理解評価ベンチマークを提示する。名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
論文参考訳（メタデータ） (2021-06-15T12:25:30Z)
AI Driven Knowledge Extraction from Clinical Practice Guidelines: Turning Research into Practice [2.803896166632835]
臨床実践ガイドライン(CPGs)は、医療領域における最先端の研究成果を医療従事者と共有するための最前線の方法論です。しかし、多くのCPGから関連する知識を抽出することは、すでに負担のかかる医療専門家には実現できません。本研究は, CPGから知識を抽出し, ギャップを減らし, 最新の研究成果を臨床実践に転換する手法を提案する。
論文参考訳（メタデータ） (2020-12-10T07:23:02Z)
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。