Fugu-MT 論文翻訳(概要): Deep Learning Models in Detection of Dietary Supplement Adverse Event Signals from Twitter

論文の概要: Deep Learning Models in Detection of Dietary Supplement Adverse Event Signals from Twitter

arxiv url: http://arxiv.org/abs/2106.11403v1
Date: Mon, 21 Jun 2021 20:35:01 GMT
ステータス: 処理完了
システム内更新日: 2021-06-23 14:52:19.236815
Title: Deep Learning Models in Detection of Dietary Supplement Adverse Event Signals from Twitter
Title（参考訳）: Twitterによる食事補助副次事象信号の検出における深層学習モデル
Authors: Yefeng Wang, Yunpeng Zhao, Jiang Bian, Rui Zhang
Abstract要約: 本研究の目的は、Twitterから食事補助関連有害事象(DS AEs)の信号を検出するためのディープラーニングパイプラインを開発することである。
参考スコア（独自算出の注目度）: 11.012772355341086
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Objective: The objective of this study is to develop a deep learning pipeline to detect signals on dietary supplement-related adverse events (DS AEs) from Twitter. Material and Methods: We obtained 247,807 tweets ranging from 2012 to 2018 that mentioned both DS and AE. We annotated biomedical entities and relations on 2,000 randomly selected tweets. For the concept extraction task, we compared the performance of traditional word embeddings with SVM, CRF and LSTM-CRF classifiers to BERT models. For the relation extraction task, we compared GloVe vectors with CNN classifiers to BERT models. We chose the best performing models in each task to assemble an end-to-end deep learning pipeline to detect DS AE signals and compared the results to the known DS AEs from a DS knowledge base (i.e., iDISK). Results: In both tasks, the BERT-based models outperformed traditional word embeddings. The best performing concept extraction model is the BioBERT model that can identify supplement, symptom, and body organ entities with F1-scores of 0.8646, 0.8497, and 0.7104, respectively. The best performing relation extraction model is the BERT model that can identify purpose and AE relations with F1-scores of 0.8335 and 0.7538, respectively. The end-to-end pipeline was able to extract DS indication and DS AEs with an F1-score of 0.7459 and 0,7414, respectively. Comparing to the iDISK, we could find both known and novel DS-AEs. Conclusion: We have demonstrated the feasibility of detecting DS AE signals from Twitter with a BioBERT-based deep learning pipeline.
Abstract（参考訳）: 目的: 本研究の目的は,twitterから食事補助関連有害事象(ds aes)の信号を検出する深層学習パイプラインを開発することである。資料と方法: DSとAEの両方に言及した2012年から2018年までの247,807ツイートを得た。我々は2000のランダムに選択されたツイートに生物医学的実体と関係を注釈した。概念抽出タスクでは,従来の単語埋め込みとSVM, CRF, LSTM-CRF分類器の性能をBERTモデルと比較した。関係抽出タスクでは,GloVeベクトルとCNN分類器をBERTモデルと比較した。我々は、DS AE信号を検出するためにエンドツーエンドのディープラーニングパイプラインを組み立て、DSナレッジベース(iDISK)から既知のDS AEと比較するために、各タスクで最高のパフォーマンスモデルを選択した。結果: どちらのタスクでも、BERTベースのモデルは従来の単語埋め込みよりも優れていた。最も優れた概念抽出モデルはBioBERTモデルであり、それぞれ0.8646、0.8497、0.7104のF1スコアを持つサプリメント、症状、身体器官の実体を識別できる。最高のパフォーマンス関係抽出モデルは、目的とAEの関係をそれぞれ0.8335と0.7538のF1スコアで識別できるBERTモデルである。エンドツーエンドパイプラインは、それぞれ0.7459と0,7414のF1スコアでDS表示とDS AEを抽出することができた。 iDISKと比較して、既知のDS-AEと新しいDS-AEの両方を見つけることができた。結論:BioBERTベースのディープラーニングパイプラインを用いて,TwitterからDS AE信号を検出する可能性を実証した。

関連論文リスト

DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
論文参考訳（メタデータ） (2022-08-31T08:18:44Z)
Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。ディープラーニングだけでは、多くの分野で最先端の結果が得られています。しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文参考訳（メタデータ） (2022-03-28T20:29:50Z)
Subject-Independent Drowsiness Recognition from Single-Channel EEG with an Interpretable CNN-LSTM model [0.8250892979520543]
単一チャネル脳波信号からの主観的非依存的眠気認識のための新しい畳み込みニューラルネットワーク(CNN)-Long Short-Term Memory(LSTM)モデルを提案する。その結果, 公立データセット上での被写体独立性認識において, 11人の被写体の平均精度は72.97%であった。
論文参考訳（メタデータ） (2021-11-21T10:37:35Z)
Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文参考訳（メタデータ） (2021-03-30T09:59:56Z)
MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文参考訳（メタデータ） (2021-01-07T13:08:44Z)
A Deep Neural Network for SSVEP-based Brain-Computer Interfaces [3.0595138995552746]
脳-コンピュータインターフェース(BCI)のスペルのターゲット識別(英: Target Identification)とは、被験者がスペルを意図したターゲット特性を予測する脳波分類(EEG)を指す。この設定では、ターゲット同定に対処し、新しいディープニューラルネットワーク(DNN)アーキテクチャを提案する。提案したDNNは、マルチチャネルSSVEPを、ハーモニック、チャンネル、時間、および完全に接続された層で分類されたサブバンド間の畳み込みで処理する。
論文参考訳（メタデータ） (2020-11-17T11:11:19Z)
Deep Learning Approaches for Extracting Adverse Events and Indications of Dietary Supplements from Clinical Text [16.577591546742823]
本研究の目的は、深層学習モデルを用いて、臨床テキストにおける食事サプリメント(DS)の使用に関する安全性シグナルを抽出できることを実証することである。深層学習モデルは、DSの使用の安全性を監視する大きな可能性を秘めている臨床ノートにおいて、有害事象やDSの徴候を検出することができる。
論文参考訳（メタデータ） (2020-09-16T16:18:04Z)
Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network [0.19686770963118383]
本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
論文参考訳（メタデータ） (2020-02-03T15:47:00Z)

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。