論文の概要: Abstractive summarization of hospitalisation histories with transformer
networks
- arxiv url: http://arxiv.org/abs/2204.02208v1
- Date: Tue, 5 Apr 2022 13:38:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 13:12:44.636603
- Title: Abstractive summarization of hospitalisation histories with transformer
networks
- Title(参考訳): 変圧器ネットワークを用いた入院履歴の抽象的要約
- Authors: Alexander Yalunin, Dmitriy Umerenkov, Vladimir Kokh
- Abstract要約: 本稿では,患者の入院履歴を抽象的に要約する新しいアプローチを提案する。
我々は、Longformerニューラルネットワークをエンコーダとして、BERTをデコーダとして、エンコーダデコーダフレームワークを適用した。
- 参考スコア(独自算出の注目度): 68.96380145211093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we present a novel approach to abstractive summarization of
patient hospitalisation histories. We applied an encoder-decoder framework with
Longformer neural network as an encoder and BERT as a decoder. Our experiments
show improved quality on some summarization tasks compared with
pointer-generator networks. We also conducted a study with experienced
physicians evaluating the results of our model in comparison with PGN baseline
and human-generated abstracts, which showed the effectiveness of our model.
- Abstract(参考訳): 本稿では,患者入院歴を抽象的に要約する新しいアプローチを提案する。
我々は、Longformerニューラルネットワークをエンコーダとして、BERTをデコーダとして、エンコーダデコーダフレームワークを適用した。
本実験では, ポインタジェネレータネットワークと比較して, 要約タスクの品質が向上した。
また,経験豊富な医師を対象にpgnベースラインと人為的抽象概念との比較を行い,本モデルの有効性について検討した。
関連論文リスト
- CT-based Anatomical Segmentation for Thoracic Surgical Planning: A
Benchmark Study for 3D U-shaped Deep Learning Models [0.8897689150430447]
3次元U型モデルの変種に関する最初のベンチマーク研究を行う。
本研究では,異なる注意機構,解像度ステージ数,ネットワーク構成がセグメンテーション精度および計算複雑性に与える影響について検討した。
論文 参考訳(メタデータ) (2024-02-05T17:43:02Z) - METGAN: Generative Tumour Inpainting and Modality Synthesis in Light
Sheet Microscopy [4.872960046536882]
本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。
解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。
生成した画像は,既存の手法に比べて定量的に顕著に改善された。
論文 参考訳(メタデータ) (2021-04-22T11:18:17Z) - Transformer-based Methods for Recognizing Ultra Fine-grained Entities
(RUFES) [1.456207068672607]
本稿では,テキスト分析会議(tac)シリーズの評価ワークショップにおける超細粒体(rufes)トラック認識におけるラ・ロシェル大学の労働統計情報・画像・インタラクション(l3iラボラトリー)の参加について概説する。
私たちの参加は2つのニューラルベースモデルに依存しています。ひとつは、事前訓練された微調整された言語モデルと、細粒度エンティティ抽出のためのトランスフォーマーレイヤのスタックと、ドキュメント内エンティティコリファレンスのためのアウト・オブ・ボックスモデルです。
論文 参考訳(メタデータ) (2021-04-13T09:23:16Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2021-04-05T15:50:16Z) - Learning to Segment Human Body Parts with Synthetically Trained Deep
Convolutional Networks [58.0240970093372]
本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。
提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-02-02T12:26:50Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳(メタデータ) (2020-07-15T09:22:55Z) - A shared neural encoding model for the prediction of subject-specific
fMRI response [17.020869686284165]
本稿では,個人レベルでの差分を考慮した共有畳み込みニューラルエンコーディング手法を提案する。
本手法は,視覚刺激や聴覚刺激によって誘発される主観的応答の予測を改善するために,多目的データを活用する。
論文 参考訳(メタデータ) (2020-06-29T04:10:14Z) - Deep Residual 3D U-Net for Joint Segmentation and Texture Classification
of Nodules in Lung [91.3755431537592]
肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。
提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
論文 参考訳(メタデータ) (2020-06-25T07:20:41Z) - The efficiency of deep learning algorithms for detecting anatomical
reference points on radiological images of the head profile [55.41644538483948]
U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。
U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
論文 参考訳(メタデータ) (2020-05-25T13:51:03Z)
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。