論文の概要: Selection of pseudo-annotated data for adverse drug reaction classification across drug groups

• arxiv url: http://arxiv.org/abs/2111.12477v1
• Date: Wed, 24 Nov 2021 13:11:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 18:31:21.357348
• Title: Selection of pseudo-annotated data for adverse drug reaction classification across drug groups
• Title（参考訳）: 薬物群別薬物反応分類のための疑似注釈データの選択
• Authors: Ilseyar Alimova and Elena Tutubalina
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.259552039796027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic monitoring of adverse drug events (ADEs) or reactions (ADRs) is currently receiving significant attention from the biomedical community. In recent years, user-generated data on social media has become a valuable resource for this task. Neural models have achieved impressive performance on automatic text classification for ADR detection. Yet, training and evaluation of these methods are carried out on user-generated texts about a targeted drug. In this paper, we assess the robustness of state-of-the-art neural architectures across different drug groups. We investigate several strategies to use pseudo-labeled data in addition to a manually annotated train set. Out-of-dataset experiments diagnose the bottleneck of supervised models in terms of breakdown performance, while additional pseudo-labeled data improves overall results regardless of the text selection strategy.
• Abstract（参考訳）: 有害薬物イベント(ades)または反応(adrs)の自動監視は現在、バイオメディカルコミュニティから注目されている。 近年,ソーシャルメディア上のユーザ生成データが,この課題の貴重な資料となっている。 ADR検出のための自動テキスト分類において、ニューラルネットワークは印象的な性能を達成した。 しかし,対象薬物に関するユーザ生成テキストを用いて,これらの手法の訓練と評価を行う。 本稿では,様々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。 本研究では,手動のアノテーション付き列車セットに加えて,擬似ラベルデータを使用するためのいくつかの戦略について検討する。 データセット外実験では、教師付きモデルのボトルネックを分解性能の観点から診断する一方で、擬似ラベルデータの追加は、テキスト選択戦略に関わらず全体の結果を改善する。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques [2.2874754079405535]
  本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。 収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
  論文  参考訳（メタデータ） (2024-04-09T08:42:34Z)
• A large dataset curation and benchmark for drug target interaction [0.7699646945563469]
  生物活性データは、薬物の発見と再資源化において重要な役割を担っている。 複数の公開ソースからキュレートされた非常に大きなデータセットを標準化し、効率的に表現する方法を提案する。
  論文  参考訳（メタデータ） (2024-01-30T17:06:25Z)
• Towards a more inductive world for drug repurposing approaches [0.545520830707066]
  ドラッグ・ターゲット・インタラクション(DTI)の予測は、薬物再資源化において重要な課題である。 DTI予測法は一般化に欠け, インフレーション性能を損なうことを示す。 そこで本研究では, 生物学的に駆動される負のエッジサブサンプリングの戦略を提案し, 新たに発見された相互作用が真であることをin vitroで検証した。
  論文  参考訳（メタデータ） (2023-11-21T15:28:44Z)
• 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)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
  グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。 私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。 その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
  論文  参考訳（メタデータ） (2022-11-30T10:12:41Z)
• ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
  本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。 本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
  論文  参考訳（メタデータ） (2022-05-10T15:39:11Z)
• 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)
• Neural Medication Extraction: A Comparison of Recent Models in Supervised and Semi-supervised Learning Settings [0.751289645756884]
  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。
  論文  参考訳（メタデータ） (2021-10-19T19:23:38Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。