論文の概要: Few-Shot Electronic Health Record Coding through Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2106.15467v1
• Date: Tue, 29 Jun 2021 14:53:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 20:28:47.688368
• Title: Few-Shot Electronic Health Record Coding through Graph Contrastive Learning
• Title（参考訳）: グラフコントラスト学習による電子健康記録符号化
• Authors: Shanshan Wang, Pengjie Ren, Zhumin Chen, Zhaochun Ren, Huasheng Liang, Qiang Yan, Evangelos Kanoulas, Maarten de Rijke
• Abstract要約: 我々は,グラフベースのEHRコーディングフレームワークであるCoGraphを用いて,頻繁かつ希少なICD符号の性能向上を図る。 CoGraphは、異なるICDコードからHEWEグラフ間の類似点と相似点を学習し、それら間で情報を転送する。 2つのグラフコントラスト学習スキームであるGSCLとGECLは、HEWEグラフ構造を利用して、転送可能な特徴を符号化する。
• 参考スコア（独自算出の注目度）: 64.8138823920883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic health record (EHR) coding is the task of assigning ICD codes to each EHR. Most previous studies either only focus on the frequent ICD codes or treat rare and frequent ICD codes in the same way. These methods perform well on frequent ICD codes but due to the extremely unbalanced distribution of ICD codes, the performance on rare ones is far from satisfactory. We seek to improve the performance for both frequent and rare ICD codes by using a contrastive graph-based EHR coding framework, CoGraph, which re-casts EHR coding as a few-shot learning task. First, we construct a heterogeneous EHR word-entity (HEWE) graph for each EHR, where the words and entities extracted from an EHR serve as nodes and the relations between them serve as edges. Then, CoGraph learns similarities and dissimilarities between HEWE graphs from different ICD codes so that information can be transferred among them. In a few-shot learning scenario, the model only has access to frequent ICD codes during training, which might force it to encode features that are useful for frequent ICD codes only. To mitigate this risk, CoGraph devises two graph contrastive learning schemes, GSCL and GECL, that exploit the HEWE graph structures so as to encode transferable features. GSCL utilizes the intra-correlation of different sub-graphs sampled from HEWE graphs while GECL exploits the inter-correlation among HEWE graphs at different clinical stages. Experiments on the MIMIC-III benchmark dataset show that CoGraph significantly outperforms state-of-the-art methods on EHR coding, not only on frequent ICD codes, but also on rare codes, in terms of several evaluation indicators. On frequent ICD codes, GSCL and GECL improve the classification accuracy and F1 by 1.31% and 0.61%, respectively, and on rare ICD codes CoGraph has more obvious improvements by 2.12% and 2.95%.
• Abstract（参考訳）: 電子健康記録 (EHR) コーディングは、各 EHR に ICD コードを割り当てるタスクである。 これまでのほとんどの研究は、頻繁なICDコードのみに焦点を当てるか、稀で頻繁なICDコードを同じように扱うかのどちらかであった。 これらの手法は、頻繁なICD符号に対して良好に動作するが、CD符号の極端に不均衡な分布のため、稀なICD符号の性能は十分ではない。 コントラストグラフベースの EHR コーディングフレームワークである CoGraph を用いて,数ショットの学習タスクとして EHR コーディングを再放送することにより,頻繁かつ稀な ICD コードの性能向上を図る。 まず,EHRから抽出した単語やエンティティがノードとして機能し,それらの関係がエッジとして機能するヘテロジニアスなHEWEグラフを構築する。 次に、CoGraphは、異なるICDコードからHEWEグラフ間の類似性と相似性を学び、それら間で情報を転送する。 数ショットの学習シナリオでは、モデルはトレーニング中の頻繁なICDコードのみにアクセスでき、頻繁なICDコードにのみ有用な機能をエンコードせざるを得ない。 このリスクを軽減するため、CoGraphは、転送可能な特徴をエンコードするためにHEWEグラフ構造を利用する2つのグラフコントラスト学習スキーム、GSCLとGECLを考案した。 GSCLはHEWEグラフからの異なるサブグラフの相互相関を利用しており、GECLはHEWEグラフの異なる臨床段階における相互相関を利用する。 MIMIC-IIIベンチマークデータセットの実験では、CoGraphは、頻繁なICDコードだけでなく、稀なコードでも、いくつかの評価指標で、最先端のEHR符号化法よりも大幅に優れていた。 頻繁なICD符号ではGSCLとGECLがそれぞれ分類精度を1.31%、F1を0.61%改善し、希少なICD符号ではCoGraphの方が2.12%と2.95%改善している。

関連論文リスト

• A Two-Stage Decoder for Efficient ICD Coding [10.634394331433322]
  ICD符号の予測のための2段階復号機構を提案する。 まず、まず親コードを予測し、その子コードを前回の予測に基づいて予測する。 公開MIMIC-IIIデータセット実験により,本モデルが単一モデル設定で良好に動作することを示す。
  論文  参考訳（メタデータ） (2023-05-27T17:25:13Z)
• HieNet: Bidirectional Hierarchy Framework for Automated ICD Coding [2.9373912230684573]
  International Classification of Diseases (ICD) は、医学記録の分類コードである。 本研究では,その課題に対処する新しい双方向階層フレームワーク(HieNet)を提案する。 具体的には、コードのコリレーションをキャプチャするパーソナライズされたPageRankルーチンと、コードの階層的表現をキャプチャする双方向階層パスエンコーダと、予測のセマンティック検索空間を狭めるプログレッシブ予測手法を提案する。
  論文  参考訳（メタデータ） (2022-12-09T14:51:12Z)
• New Frontiers in Graph Autoencoders: Joint Community Detection and Link Prediction [27.570978996576503]
  リンク予測(LP)の強力な方法として,グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)が登場した。 特にノード機能がない場合、GAEとVGAEでCDをどの程度改善できるかは不明である。 これら2つのタスクを高い精度で共同で処理することは可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-16T15:26:56Z)
• Self-supervised Representation Learning on Electronic Health Records with Graph Kernel Infomax [4.133378723518227]
  EHRのグラフィカル表現に対する自己教師付きグラフカーネル学習手法であるGraph Kernel Infomaxを提案する。 最先端とは違って、グラフ構造を変更して拡張ビューを構築することはできません。 我々のアプローチは、最先端を超える臨床下流課題にパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2022-09-01T16:15:08Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
  非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。 フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
  論文  参考訳（メタデータ） (2021-01-17T23:14:29Z)
• SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
  ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。 我々は,マルチリード信号を2次元行列として扱うことを提案する。 提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
  論文  参考訳（メタデータ） (2020-12-10T08:37:44Z)
• Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition [53.17837649440601]
  本稿では,各画像の特定のグラフを動的に生成するアテンション駆動型動的グラフ畳み込みネットワーク(ADD-GCN)を提案する。 パブリックなマルチラベルベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-12-05T10:10:12Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。