論文の概要: Exploring deep learning methods for recognizing rare diseases and their clinical manifestations from texts

• arxiv url: http://arxiv.org/abs/2109.00343v1
• Date: Wed, 1 Sep 2021 12:35:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-02 14:29:18.007795
• Title: Exploring deep learning methods for recognizing rare diseases and their clinical manifestations from texts
• Title（参考訳）: テキストから希少疾患とその臨床症状を認識するための深層学習法の検討
• Authors: Isabel Segura-Bedmar, David Camino-Perdonas, Sara Guerrero-Aspizua
• Abstract要約: 約3億人がまれな病気に罹患している。 これらの症状の早期かつ正確な診断は、それらを特定するのに十分な知識を持っていない一般の実践者にとって大きな課題である。 自然言語処理(NLP)とディープラーニング(Deep Learning)は、関連する情報を抽出して、診断や治療を容易にする。
• 参考スコア（独自算出の注目度）: 1.6328866317851187
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Although rare diseases are characterized by low prevalence, approximately 300 million people are affected by a rare disease. The early and accurate diagnosis of these conditions is a major challenge for general practitioners, who do not have enough knowledge to identify them. In addition to this, rare diseases usually show a wide variety of manifestations, which might make the diagnosis even more difficult. A delayed diagnosis can negatively affect the patient's life. Therefore, there is an urgent need to increase the scientific and medical knowledge about rare diseases. Natural Language Processing (NLP) and Deep Learning can help to extract relevant information about rare diseases to facilitate their diagnosis and treatments. The paper explores the use of several deep learning techniques such as Bidirectional Long Short Term Memory (BiLSTM) networks or deep contextualized word representations based on Bidirectional Encoder Representations from Transformers (BERT) to recognize rare diseases and their clinical manifestations (signs and symptoms) in the RareDis corpus. This corpus contains more than 5,000 rare diseases and almost 6,000 clinical manifestations. BioBERT, a domain-specific language representation based on BERT and trained on biomedical corpora, obtains the best results. In particular, this model obtains an F1-score of 85.2% for rare diseases, outperforming all the other models.
• Abstract（参考訳）: まれな疾患は感染頻度が低いことが特徴だが、約3億人がまれな疾患の影響を受けている。 これらの症状の早期かつ正確な診断は、それらを特定するのに十分な知識を持っていない一般の実践者にとって大きな課題である。 これに加えて、稀な疾患は通常、様々な症状を示しており、診断がさらに困難になる可能性がある。 遅延診断は患者の生活に悪影響を及ぼすことがある。 そのため、希少な疾患に関する科学的・医学的知識を増大させる必要がある。 自然言語処理(NLP)とディープラーニングは、まれな疾患に関する関連情報を抽出し、診断と治療を容易にする。 本稿は, トランスフォーマー (bert) からの双方向エンコーダ表現に基づく, 双方向のlong short term memory (bilstm) ネットワークや, 深層文脈化単語表現などの深層学習手法を用いて, レアディスコーパスにおけるまれな疾患とその臨床症状(サインや症状)を認識する。 このコーパスには5,000以上のまれな疾患と約6,000の臨床症状が含まれている。 BERTをベースとしたドメイン固有言語表現であるBioBERTは、バイオメディカルコーパスに基づいて訓練され、最良の結果を得る。 特に、このモデルは85.2%の希少疾患のf1-scoreを取得し、他の全てのモデルよりも優れている。

関連論文リスト

• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• AI-based Anomaly Detection for Clinical-Grade Histopathological Diagnostics [24.833696455985795]
  臨床では、病気はほとんどないが、ほとんどの疾患は少ない。 現在のAIモデルは、これらの病気を見落としたり、分類ミスしたりする。 そこで本研究では,より頻度の低い疾患も検出するために,一般的な疾患からのトレーニングデータのみを必要とする深層異常検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-21T04:59:19Z)
• A Concept-based Interpretable Model for the Diagnosis of Choroid Neoplasias using Multimodal Data [28.632437578685842]
  我々は成人で最も多い眼がんである脈絡膜新生症(5.1%)に焦点を当てた。 本研究は,3種類の脈絡膜腫瘍を識別する概念に基づく解釈可能なモデルを提案する。 注目すべきは、このモデルがブラックボックスモデルに匹敵するF1スコアの0.91を達成する一方で、ジュニア医師の診断精度を42%向上させることである。
  論文  参考訳（メタデータ） (2024-03-08T07:15:53Z)
• RareBench: Can LLMs Serve as Rare Diseases Specialists? [11.828142771893443]
  Generalist Large Language Models (LLMs) は、医学的診断を含む様々な領域において有望であることを示している。 世界中で約3億人に影響を及ぼす希少な疾患は、しばしば不満足な臨床診断率を持つ。 RareBenchは、希少疾患の領域における4つの重要な次元におけるLSMの能力を評価するために設計された先駆的なベンチマークである。 GPT-4の診断能力と専門医との総合的な比較検討を行った。
  論文  参考訳（メタデータ） (2024-02-09T11:34:16Z)
• Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
  診断医用画像検査など,現実的な画像認識の問題が数多く発生している。 診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。 我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2023-10-24T18:26:22Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Evaluate underdiagnosis and overdiagnosis bias of deep learning model on primary open-angle glaucoma diagnosis in under-served patient populations [64.91773761529183]
  原発性オープンアングル緑内障(POAG)はアメリカにおける盲目の主要な原因である。 深層学習は眼底画像を用いたPOAGの検出に広く用いられている。 臨床診断における人間のバイアスは、広く使われているディープラーニングモデルに反映され増幅される可能性がある。
  論文  参考訳（メタデータ） (2023-01-26T18:53:09Z)
• Subtyping brain diseases from imaging data [3.5849534055078767]
  臨床神経科学と癌画像学は、機械学習が特に有望な分野である。 現在の章では、病気のサブタイプを求めるML手法、特に半教師付きクラスタリングに焦点を当てている。 アルツハイマー病とその病期、精神病、うつ病、自閉症、脳がんについて論じる。
  論文  参考訳（メタデータ） (2022-02-16T19:13:53Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection [9.059366200759722]
  眼科領域では、早期眼底スクリーニングは眼疾患による盲目を防ぐ経済的かつ効果的な方法である。 実際の医療現場に合わせて8つの疾患のデータセットを公開し、5,000人の患者の両眼からの1万の眼底画像を含む。
  論文  参考訳（メタデータ） (2021-02-16T07:00:49Z)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)

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。