論文の概要: Neural Medication Extraction: A Comparison of Recent Models in Supervised and Semi-supervised Learning Settings

• arxiv url: http://arxiv.org/abs/2110.10213v1
• Date: Tue, 19 Oct 2021 19:23:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 16:15:48.330951
• Title: Neural Medication Extraction: A Comparison of Recent Models in Supervised and Semi-supervised Learning Settings
• Title（参考訳）: ニューラルメディケーション抽出:教師付きおよび半教師付き学習環境における最近のモデルの比較
• Authors: Ali Can Kocabiyikoglu, Fran\c{c}ois Portet, Raheel Qader, Jean-Marc Babouchkine
• Abstract要約: 薬物処方は、電子カルテにエンコードされなければならない重要な情報である。 これが薬品抽出作業の現況である。 我々は、I2B2医療処方薬抽出タスクにおいて、最先端のニューラルネットワークアーキテクチャを独立して総合的に評価する。
• 参考スコア（独自算出の注目度）: 0.751289645756884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug prescriptions are essential information that must be encoded in electronic medical records. However, much of this information is hidden within free-text reports. This is why the medication extraction task has emerged. To date, most of the research effort has focused on small amount of data and has only recently considered deep learning methods. In this paper, we present an independent and comprehensive evaluation of state-of-the-art neural architectures on the I2B2 medical prescription extraction task both in the supervised and semi-supervised settings. The study shows the very competitive performance of simple DNN models on the task as well as the high interest of pre-trained models. Adapting the latter models on the I2B2 dataset enables to push medication extraction performances above the state-of-the-art. Finally, the study also confirms that semi-supervised techniques are promising to leverage large amounts of unlabeled data in particular in low resource setting when labeled data is too costly to acquire.
• Abstract（参考訳）: 薬物処方は電子カルテにエンコードしなければならない必須情報である。 しかし、これらの情報の多くはフリーテキストレポートに隠されている。 そのため、薬品抽出作業が開始された。 これまでの研究はほとんどが少量のデータに焦点を合わせてきたが、最近になって深層学習の方法が検討されたばかりである。 本稿では,教師付きおよび半教師付き設定の両方において,i2b2医療処方抽出タスクにおける最先端のニューラルネットワークアーキテクチャの独立的かつ包括的評価を行う。 この研究は、タスク上の単純なDNNモデルの非常に競争力のある性能と、事前訓練されたモデルの高い関心を示す。 I2B2データセットに後者のモデルを適用することで、治療薬の抽出性能を最先端よりも上に押し上げることができる。 最後に、半教師技術は、ラベル付きデータが取得にコストがかかりすぎる場合、特に低リソース設定において、大量のラベル付きデータを活用することを約束していることも確認した。

関連論文リスト

• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• SMILES-Mamba: Chemical Mamba Foundation Models for Drug ADMET Prediction [16.189335444981353]
  小分子の薬物の吸収、分布、代謝、排出、毒性を予測することは安全性と有効性を確保するために重要である。 本稿では,ラベル付きデータとラベル付きデータの両方を活用する2段階モデルを提案する。 その結果,SMILES-Mambaは22のADMETデータセットの競合性能を示し,14のタスクで最高スコアを達成した。
  論文  参考訳（メタデータ） (2024-08-11T04:53:12Z)
• Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。 本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。 提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:20:12Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• Selection of pseudo-annotated data for adverse drug reaction classification across drug groups [12.259552039796027]
  我々は、さまざまな薬物群にまたがる最先端のニューラルアーキテクチャの堅牢性を評価する。 そこで我々は,手動で注釈付けした列車セットに加えて,擬似ラベル付きデータを使用するためのいくつかの戦略について検討した。
  論文  参考訳（メタデータ） (2021-11-24T13:11:05Z)
• On the diminishing return of labeling clinical reports [2.1431637042179683]
  医療用NLPモデルを少量のラベル付きデータで取得できることを示す。 胸部X線X線画像診断データのうち, 胸部X線画像診断におけるトレーニングデータサイズの影響を定量的に検討した。
  論文  参考訳（メタデータ） (2020-10-27T19:51:04Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。