Fugu-MT 論文翻訳(概要): Abstractive summarization of hospitalisation histories with transformer networks

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

Deep Generative Models Unveil Patterns in Medical Images Through Vision-Language Conditioning [3.4299097748670255]
深部生成モデルでは、データセットのサイズと品質を向上することにより、医療画像解析が大幅に進歩している。画像合成プロセスの指針として,臨床データとセグメンテーションマスクを組み合わせることによって,ハイブリッド条件による生成構造を用いる。我々のアプローチは、画像と臨床情報の視覚的相関が低いため、従来の医療報告誘導合成よりも困難であり、課題である。
論文参考訳（メタデータ） (2024-10-17T17:48:36Z)
Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
論文参考訳（メタデータ） (2024-09-18T13:40:59Z)
Neuro-TransUNet: Segmentation of stroke lesion in MRI using transformers [0.6554326244334866]
本研究では,U-Netの空間的特徴抽出をSwinUNETRのグローバルな文脈処理能力と併用するNeuro-TransUNetフレームワークを提案する。提案したNeuro-TransUNetモデルは、ATLAS v2.0のアントレーニングデータセットでトレーニングされ、既存のディープラーニングアルゴリズムを上回っ、脳卒中病変セグメンテーションの新しいベンチマークを確立する。
論文参考訳（メタデータ） (2024-06-10T04:36:21Z)
A Sentiment Analysis of Medical Text Based on Deep Learning [1.8130068086063336]
本稿では,変換器(BERT)の双方向エンコーダ表現を基礎的事前学習モデルとして用いた医療領域に焦点を当てた。 METS-CoVデータセットを用いて実験と解析を行い、異なるディープラーニングネットワークの統合後のトレーニング性能について検討した。 CNNモデルは、BERTのような事前訓練されたモデルと組み合わせて、小さな医療用テキストデータセットでトレーニングされた場合、他のネットワークよりも優れています。
論文参考訳（メタデータ） (2024-04-16T12:20:49Z)
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)
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)
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。