論文の概要: Improving the Factual Accuracy of Abstractive Clinical Text
Summarization using Multi-Objective Optimization
- arxiv url: http://arxiv.org/abs/2204.00797v1
- Date: Sat, 2 Apr 2022 07:59:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 14:05:59.293733
- Title: Improving the Factual Accuracy of Abstractive Clinical Text
Summarization using Multi-Objective Optimization
- Title（参考訳）: 多目的最適化による抽象的臨床テキスト要約の精度向上
- Authors: Amanuel Alambo, Tanvi Banerjee, Krishnaprasad Thirunarayan, Mia Cajita
- Abstract要約: 本稿では,知識誘導多目的最適化を用いた臨床テキストの抽象的要約の事実的精度向上のためのフレームワークを提案する。
本研究では,知識誘導多目的最適化を用いた臨床テキストの抽象的要約の事実的精度向上のための枠組みを提案する。
- 参考スコア（独自算出の注目度）: 3.977582258550673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While there has been recent progress in abstractive summarization as applied
to different domains including news articles, scientific articles, and blog
posts, the application of these techniques to clinical text summarization has
been limited. This is primarily due to the lack of large-scale training data
and the messy/unstructured nature of clinical notes as opposed to other domains
where massive training data come in structured or semi-structured form.
Further, one of the least explored and critical components of clinical text
summarization is factual accuracy of clinical summaries. This is specifically
crucial in the healthcare domain, cardiology in particular, where an accurate
summary generation that preserves the facts in the source notes is critical to
the well-being of a patient. In this study, we propose a framework for
improving the factual accuracy of abstractive summarization of clinical text
using knowledge-guided multi-objective optimization. We propose to jointly
optimize three cost functions in our proposed architecture during training:
generative loss, entity loss and knowledge loss and evaluate the proposed
architecture on 1) clinical notes of patients with heart failure (HF), which we
collect for this study; and 2) two benchmark datasets, Indiana University Chest
X-ray collection (IU X-Ray), and MIMIC-CXR, that are publicly available. We
experiment with three transformer encoder-decoder architectures and demonstrate
that optimizing different loss functions leads to improved performance in terms
of entity-level factual accuracy.
- Abstract（参考訳）: 近年,ニュース記事や学術記事,ブログ投稿など,さまざまな分野に適用される抽象要約の進展が報告されているが,これらの手法を臨床テキスト要約に適用することは限られている。
これは主に、大規模なトレーニングデータがないことと、大規模なトレーニングデータが構造化されたり半構造化されたりする他のドメインと対照的に、臨床ノートの散らばった/非構造的な性質に起因している。
さらに, 臨床テキスト要約の最も調査の少ない重要な要素の1つは, 臨床要約の事実的精度である。
これは特に医療領域、特に心臓学において特に重要であり、ソースノートの事実を保存する正確な要約生成は患者の幸福のために重要である。
本研究では,知識誘導多目的最適化を用いた臨床テキストの抽象的要約の事実的精度向上のための枠組みを提案する。
提案する3つのコスト関数 - 生成的損失, 実体的損失, 知識的損失 - を共同で最適化し, 提案アーキテクチャの評価を行う。
1)本研究のために収集した心不全(HF)の臨床ノート,および
2)2つのベンチマークデータセット,インディアナ大学胸部X線収集(IU X線)とMIMIC-CXRが公開されている。
本研究では,3つの変圧器エンコーダ・デコーダアーキテクチャを実験し,異なる損失関数の最適化により,実体レベルの事実精度が向上することを示した。
関連論文リスト
- Adapting Abstract Meaning Representation Parsing to the Clinical Narrative -- the SPRING THYME parser [6.121530113520979]
本論文は臨床用AMRの設計と評価を目的としている。
連続訓練を応用した最先端のAMRを応用した。
提案手法は,AMR構造予測の精度を高めるため,データ拡張手法を取り入れたものである。
論文 参考訳（メタデータ） (2024-05-15T07:32:43Z) - Attribute Structuring Improves LLM-Based Evaluation of Clinical Text
Summaries [62.32403630651586]
大規模言語モデル(LLM)は、正確な臨床テキスト要約を生成する可能性を示しているが、根拠付けと評価に関する問題に苦慮している。
本稿では、要約評価プロセスを構成するAttribute Structuring(AS)を用いた一般的な緩和フレームワークについて検討する。
ASは、臨床テキスト要約における人間のアノテーションと自動メトリクスの対応性を一貫して改善する。
論文 参考訳（メタデータ） (2024-03-01T21:59:03Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳（メタデータ） (2023-05-30T22:05:11Z) - Extrinsic Factors Affecting the Accuracy of Biomedical NER [0.1529342790344802]
バイオメディカル・ネーム・エンティティ・認識(NER)は、臨床テキスト中の構造化情報を特定することを目的とした批判的タスクである。
バイオメディカル領域のNERは、限られたデータ可用性のために困難である。
論文 参考訳（メタデータ） (2023-05-29T15:29:49Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data
for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。
そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。
また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
論文 参考訳（メタデータ） (2022-08-09T03:49:52Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z) - A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。
これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。
提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文 参考訳（メタデータ） (2021-02-26T17:49:58Z) - Drug and Disease Interpretation Learning with Biomedical Entity
Representation Transformer [9.152161078854146]
自由形式のテキストにおける概念正規化は、あらゆるテキストマイニングパイプラインにおいて重要なステップです。
微調整BERTアーキテクチャに基づくシンプルで効果的な2段階のニューラルアプローチを提案する。
論文 参考訳（メタデータ） (2021-01-22T20:01:25Z)
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。