論文の概要: Multimodal Learning on Graphs for Disease Relation Extraction
- arxiv url: http://arxiv.org/abs/2203.08893v1
- Date: Wed, 16 Mar 2022 19:07:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 13:10:40.389699
- Title: Multimodal Learning on Graphs for Disease Relation Extraction
- Title（参考訳）: 疾患関連抽出のためのグラフのマルチモーダル学習
- Authors: Yucong Lin, Keming Lu, Sheng Yu, Tianxi Cai, Marinka Zitnik
- Abstract要約: 疾患関係の抽出と分類のためのマルチモーダルアプローチであるREMAPを紹介する。
人間の専門家による注釈付きデータセット上で、REMAPはテキストベースの疾患関係抽出を10.0%(精度)と17.2%(F1スコア)で改善する
- 参考スコア（独自算出の注目度）: 10.667750886825472
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Disease knowledge graphs are a way to connect, organize, and
access disparate information about diseases with numerous benefits for
artificial intelligence (AI). To create knowledge graphs, it is necessary to
extract knowledge from multimodal datasets in the form of relationships between
disease concepts and normalize both concepts and relationship types. Methods:
We introduce REMAP, a multimodal approach for disease relation extraction and
classification. The REMAP machine learning approach jointly embeds a partial,
incomplete knowledge graph and a medical language dataset into a compact latent
vector space, followed by aligning the multimodal embeddings for optimal
disease relation extraction. Results: We apply REMAP approach to a disease
knowledge graph with 96,913 relations and a text dataset of 1.24 million
sentences. On a dataset annotated by human experts, REMAP improves text-based
disease relation extraction by 10.0% (accuracy) and 17.2% (F1-score) by fusing
disease knowledge graphs with text information. Further, REMAP leverages text
information to recommend new relationships in the knowledge graph,
outperforming graph-based methods by 8.4% (accuracy) and 10.4% (F1-score).
Discussion: Systematized knowledge is becoming the backbone of AI, creating
opportunities to inject semantics into AI and fully integrate it into machine
learning algorithms. While prior semantic knowledge can assist in extracting
disease relationships from text, existing methods can not fully leverage
multimodal datasets. Conclusion: REMAP is a multimodal approach for extracting
and classifying disease relationships by fusing structured knowledge and text
information. REMAP provides a flexible neural architecture to easily find,
access, and validate AI-driven relationships between disease concepts.
- Abstract（参考訳）: 目的: 疾患知識グラフは、人工知能(AI)に多くの利点がある疾患に関する情報を接続し、整理し、アクセスする手段である。
知識グラフを作成するためには,病的概念と関係型の両方を正規化するために,マルチモーダルデータセットから知識を抽出する必要がある。
方法: 疾患関連抽出と分類のためのマルチモーダルアプローチであるREMAPを導入する。
REMAP機械学習アプローチは、部分的で不完全な知識グラフと医療言語データセットをコンパクトな潜在ベクトル空間に共同で埋め込み、次いで、最適な疾患関係抽出のためのマルチモーダル埋め込みを調整する。
結果:remapアプローチを96,913の関連のある疾患知識グラフと124万文のテキストデータセットに適用した。
人間の専門家がアノテートしたデータセット上で、remapは、病気の知識グラフとテキスト情報を用いて、テキストベースの病気関係抽出を10.0%(正確)および17.2%(f1-score)改善する。
さらに、REMAPはテキスト情報を活用して知識グラフの新しい関係を推奨し、グラフベースの手法を8.4%(精度)、10.4%(F1スコア)で上回る。
議論: 体系化された知識はAIのバックボーンとなり、AIにセマンティクスを注入し、機械学習アルゴリズムに完全に統合する機会を生み出している。
従来の意味知識はテキストから疾患関係を抽出するのに役立つが、既存の手法ではマルチモーダルデータセットを完全に活用することはできない。
結論: remapは構造的知識とテキスト情報を用いて疾患関係を抽出・分類するためのマルチモーダルアプローチである。
REMAPは、疾患の概念間のAI駆動関係を見つけ、アクセスし、検証するための柔軟なニューラルネットワークを提供する。
関連論文リスト
- myAURA: Personalized health library for epilepsy management via knowledge graph sparsification and visualization [4.25313339005458]
myAURAは、てんかん患者、介護者、そして研究者がケアや自己管理に関する決定を下すのを助けるために設計されたアプリケーションです。
MyAURAは、生体医学データベース、ソーシャルメディア、電子健康記録などのてんかんに関連する異種データ資源の連合に依存している。
論文 参考訳（メタデータ） (2024-05-08T17:24:24Z) - Graph Relation Distillation for Efficient Biomedical Instance
Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。
画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。
多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文 参考訳（メタデータ） (2024-01-12T04:41:23Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - 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) - Relationship extraction for knowledge graph creation from biomedical
literature [0.0]
バイオメディカル文献からスケーラブルな関係抽出のためのルールベースと機械学習ベースの手法をほとんど提示し比較する。
我々は、これらの様々な手法が、不均衡で比較的小さなデータセットに対して、いかに回復力があるかを検討する。
最高のパフォーマンスモデルは、バランスの取れたデータに基づいて微調整されたT5モデルで、F1スコアは0.88と報告されている。
論文 参考訳（メタデータ） (2022-01-05T15:09:33Z) - KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。
これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。
WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
論文 参考訳（メタデータ） (2021-12-09T12:45:33Z) - BioIE: Biomedical Information Extraction with Multi-head Attention
Enhanced Graph Convolutional Network [9.227487525657901]
本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。
本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
論文 参考訳（メタデータ） (2021-10-26T13:19:28Z) - Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。
隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
論文 参考訳（メタデータ） (2021-07-01T03:59:22Z) - 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) - High-throughput relation extraction algorithm development associating
knowledge articles and electronic health records [6.137500421118825]
本稿では,ハイスループット関係抽出アルゴリズム開発のためのフレームワークであるHi-RESを提案する。
知識記事と電子健康記録を組み合わせることで,分類精度が著しく向上することを示す。
論文 参考訳（メタデータ） (2020-09-08T03:48:30Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。