論文の概要: Natural Language Processing Accurately Categorizes Indications, Findings
and Pathology Reports from Multicenter Colonoscopy
- arxiv url: http://arxiv.org/abs/2108.11034v1
- Date: Wed, 25 Aug 2021 03:55:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-26 20:30:04.182319
- Title: Natural Language Processing Accurately Categorizes Indications, Findings
and Pathology Reports from Multicenter Colonoscopy
- Title（参考訳）: 自然言語処理による指標の正確な分類と多施設大腸内視鏡所見と病理所見
- Authors: Shashank Reddy Vadyala, Eric A. Sherer
- Abstract要約: 電子健康記録中の自由テキストから大腸内視鏡所見を抽出することにより,患者のリスクを判定することができる。
臨床診断支援システムの情報を抽出する深層学習モデルフレームワークの開発と評価を行った。
我々は,3,867人の手書き注釈書の80%に対して,Bio-Bi-LSTM-CRFおよび既存のBi-LSTM-CRFモデルを訓練した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Colonoscopy is used for colorectal cancer (CRC) screening. Extracting details
of the colonoscopy findings from free text in electronic health records (EHRs)
can be used to determine patient risk for CRC and colorectal screening
strategies. We developed and evaluated the accuracy of a deep learning model
framework to extract information for the clinical decision support system to
interpret relevant free-text reports, including indications, pathology, and
findings notes. The Bio-Bi-LSTM-CRF framework was developed using Bidirectional
Long Short-term Memory (Bi-LSTM) and Conditional Random Fields (CRF) to extract
several clinical features from these free-text reports including indications
for the colonoscopy, findings during the colonoscopy, and pathology of resected
material. We trained the Bio-Bi-LSTM-CRF and existing Bi-LSTM-CRF models on 80%
of 4,000 manually annotated notes from 3,867 patients. These clinical notes
were from a group of patients over 40 years of age enrolled in four Veterans
Affairs Medical Centers. A total of 10% of the remaining annotated notes were
used to train hyperparameter and the remaining 10% were used to evaluate the
accuracy of our model Bio-Bi-LSTM-CRF and compare to Bi-LSTM-CRF.
- Abstract（参考訳）: 大腸内視鏡は大腸癌(CRC)スクリーニングに用いられる。
電子健康記録(EHR)における自由テキストからの大腸内視鏡所見の抽出により,CRCおよび大腸癌スクリーニング戦略の患者リスクを判定することができる。
臨床診断支援システムのための情報抽出のための深層学習モデルフレームワークの開発と評価を行い, 適応, 病理, 所見ノートなど, 関連フリーテキストレポートの解釈を行った。
The Bio-Bi-LSTM-CRF framework was developed using Bidirectional Long Short-term Memory (Bi-LSTM) and Conditional Random Fields (CRF) to extract several clinical features from these free-text reports including illustrates for the colonoscopy, findings during the colonoscopy, and pathology of resected material。
我々は,3,867人の手書き注釈書の80%に対して,Bio-Bi-LSTM-CRFおよび既存のBi-LSTM-CRFモデルを訓練した。
これらの臨床記録は4つの退役軍人医療センターに登録された40歳以上の患者のグループによるものである。
残りのアノテートノートの10%はハイパーパラメータのトレーニングに使用し,残りの10%はBio-Bi-LSTM-CRFの精度を評価し,Bi-LSTM-CRFと比較した。
関連論文リスト
- TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - AI-assisted prostate cancer detection and localisation on biparametric MR by classifying radiologist-positives [5.75804178993065]
本稿では,がん診断の総合的精度を向上させるためのディープラーニングモデルを提案する。
一つのボクセルレベルの分類モデルを構築し、単純なパーセンテージ閾値で正のケースを判定する。
2つの臨床データから得られた実験から,提案手法が診断精度を向上させることを示す。
論文 参考訳（メタデータ） (2024-10-30T14:59:57Z) - SNOBERT: A Benchmark for clinical notes entity linking in the SNOMED CT clinical terminology [43.89160296332471]
本稿では,BERT モデルを用いた SNOMED CT のテキストスパンと特定の概念をリンクする手法を提案する。
本手法は, 候補選択と候補マッチングの2段階からなる。これらのモデルは, ラベル付き臨床ノートの公開データセットの中で, 最大規模で訓練された。
論文 参考訳（メタデータ） (2024-05-25T08:00:44Z) - LLMs in Biomedicine: A study on clinical Named Entity Recognition [42.71263594812782]
大規模言語モデル(LLM)は、様々なNLPタスクにおいて顕著な汎用性を示す。
本稿では,NERタスクの性能向上戦略について検討する。
提案手法であるDiRAGは,バイオメディカルNERにおけるLDMのゼロショットF1スコアを高めることができる。
論文 参考訳（メタデータ） (2024-04-10T22:26:26Z) - Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides [0.3251634769699391]
乳がん領域における上皮細胞のセグメンテーションのためのAIモデルを開発した。
浸潤上皮細胞,良性上皮細胞,in situ病変に対するDiceスコア0.70,0.79,0.75の定量評価を行った。
論文 参考訳（メタデータ） (2023-11-22T09:25:08Z) - Extraction of Medication and Temporal Relation from Clinical Text using
Neural Language Models [7.698164945017469]
textbfMedTemプロジェクトは、BiLSTM-CRFやCNN-BiLSTMなどの先進的な学習構造を使用している。
CNN-BiLSTMは、i2b2-2009 臨床 NER タスクにおいて、精度、リコール、F1 スコアに対して 75.67, 77.83, 78.17 の BiLSTM-CRF モデルにわずかに勝っている。
BERT-CNNモデルは、マクロAvgを使用してP/R/F1の64.48、67.17、65.03の評価スコアも生成した。
論文 参考訳（メタデータ） (2023-10-03T17:37:22Z) - CORAL: Expert-Curated medical Oncology Reports to Advance Language Model
Inference [2.1067045507411195]
大規模言語モデル(LLM)は、最近、様々な医学自然言語処理タスクにおいて印象的なパフォーマンスを示した。
そこで我々は, 患者の特徴, 腫瘍の特徴, 検査, 治療, 時間性などを含む, テキストオンコロジー情報に注釈を付けるための詳細なスキーマを開発した。
GPT-4モデルでは、BLEUスコアが平均0.73、ROUGEスコアが平均0.72、F1スコアが0.51、複雑なタスクが平均68%であった。
論文 参考訳（メタデータ） (2023-08-07T18:03:10Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳（メタデータ） (2021-10-05T19:14:46Z) - Deeply supervised UNet for semantic segmentation to assist
dermatopathological assessment of Basal Cell Carcinoma (BCC) [2.031570465477242]
unetアーキテクチャに基づく複数のモデルを用いた意味セグメンテーションによる基底細胞癌(bcc)の検出に焦点を当てた。
unetネットワークの最初の2つの異なるエンコーダと2つの追加のトレーニング戦略を分析した。
最高のモデルは、テストセット上の96%、精度、感度、および特異性を達成します。
論文 参考訳（メタデータ） (2021-03-05T15:39:55Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z)
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。