論文の概要: NEAR: Named Entity and Attribute Recognition of clinical concepts
- arxiv url: http://arxiv.org/abs/2208.13949v1
- Date: Tue, 30 Aug 2022 01:46:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 12:56:52.994257
- Title: NEAR: Named Entity and Attribute Recognition of clinical concepts
- Title（参考訳）: near: 名前付きエンティティと臨床概念の属性認識
- Authors: Namrata Nath, Sang-Heon Lee, Ivan Lee
- Abstract要約: 本研究の目的は,NERタスクを教師付き多ラベルタギング問題としてモデル化することで,エンティティとその属性を検出する領域に寄与することである。
本稿では, BiLSTM n-CRF, BiLSTM-CRF-Smax-TF, BiLSTM n-CRF-TFの3つのアーキテクチャを提案する。
我々の異なるモデルは、i2b2 2010/VAとi2b2 2012データセットでそれぞれ0.894と0.808のNER F1スコアを得る。
- 参考スコア（独自算出の注目度）: 2.4278445972594525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Named Entity Recognition (NER) or the extraction of concepts from clinical
text is the task of identifying entities in text and slotting them into
categories such as problems, treatments, tests, clinical departments,
occurrences (such as admission and discharge) and others. NER forms a critical
component of processing and leveraging unstructured data from Electronic Health
Records (EHR). While identifying the spans and categories of concepts is itself
a challenging task, these entities could also have attributes such as negation
that pivot their meanings implied to the consumers of the named entities. There
has been little research dedicated to identifying the entities and their
qualifying attributes together. This research hopes to contribute to the area
of detecting entities and their corresponding attributes by modelling the NER
task as a supervised, multi-label tagging problem with each of the attributes
assigned tagging sequence labels. In this paper, we propose 3 architectures to
achieve this multi-label entity tagging: BiLSTM n-CRF, BiLSTM-CRF-Smax-TF and
BiLSTM n-CRF-TF. We evaluate these methods on the 2010 i2b2/VA and the i2b2
2012 shared task datasets. Our different models obtain best NER F1 scores of 0.
894 and 0.808 on the i2b2 2010/VA and i2b2 2012 respectively. The highest span
based micro-averaged F1 polarity scores obtained were 0.832 and 0.836 on the
i2b2 2010/VA and i2b2 2012 datasets respectively, and the highest
macro-averaged F1 polarity scores obtained were 0.924 and 0.888 respectively.
The modality studies conducted on i2b2 2012 dataset revealed high scores of
0.818 and 0.501 for span based micro-averaged F1 and macro-averaged F1
respectively.
- Abstract（参考訳）: 名前付きエンティティ認識(英語: named entity recognition、ner)または臨床テキストから概念を抽出することは、テキスト中のエンティティを識別し、問題、治療、テスト、臨床部門、発生(入退院や退院など)などのカテゴリに分類するタスクである。
NERはElectronic Health Records(EHR)の非構造化データ処理と活用において重要な要素となる。
概念のスパンやカテゴリを特定することはそれ自体が困難な作業であるが、これらのエンティティは、名前付きエンティティのコンシューマに意味を暗示する否定のような属性を持つこともできる。
エンティティとその資格属性を識別する研究はほとんど行われていない。
本研究は,nerタスクをタグシーケンスラベルを割り当てた属性に対して教師付きマルチラベルタグ付け問題としてモデル化することにより,エンティティとその属性を検出する領域に寄与することを目指している。
本稿では,BiLSTM n-CRF, BiLSTM-CRF-Smax-TF, BiLSTM n-CRF-TFの3つのアーキテクチャを提案する。
2010 i2b2/VA と i2b2 2012 の共有タスクデータセットを用いて,これらの手法の評価を行った。
それぞれのモデルが最良ナーf1スコア0。
i2b2 2010/va と i2b2 2012 はそれぞれ 894 と 0.808 である。
その結果,i2b2 2010/VAおよびi2b2 2012データセットでは,それぞれ0.832,0.836,マクロ平均F1極性スコアは0.924,0.888であった。
i2b2 2012データセットを用いて行ったモダリティ調査では, マイクロ平均F1およびマクロ平均F1のスコアが0.818, 0.501であった。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - EMAHA-DB1: A New Upper Limb sEMG Dataset for Classification of
Activities of Daily Living [8.854624631197941]
データセットは、22のアクティビティを実行しながら、25人の有能な被験者から取得される。
5つのFAABOSカテゴリーの最先端の分類精度は83:21%である。
開発されたデータセットは、様々な分類方法のベンチマークとして使用することができる。
論文 参考訳（メタデータ） (2023-01-09T13:20:45Z) - Exploring the Value of Pre-trained Language Models for Clinical Named
Entity Recognition [6.917786124918387]
我々は、スクラッチからトレーニングされたTransformerモデルと、細調整されたBERTベースのLLMを比較した。
文脈学習を促進するために,追加のCRF層がそのようなモデルに与える影響を検討する。
論文 参考訳（メタデータ） (2022-10-23T16:27:31Z) - Deeper Clinical Document Understanding Using Relation Extraction [0.0]
名前付きエンティティ認識(NER)と関係抽出(RE)モデルからなるテキストマイニングフレームワークを提案する。
我々は2つの新しいREモデルアーキテクチャを導入し、BioBERTをベースとした精度最適化アーキテクチャと、フル接続ニューラルネットワーク(FCNN)上のクラフト機能を活用した速度最適化アーキテクチャを紹介した。
本稿では,この枠組みの実践的応用として,バイオメディカル知識グラフの構築と臨床コードへの実体マッピングの精度向上について述べる。
論文 参考訳（メタデータ） (2021-12-25T17:14:13Z) - QUEACO: Borrowing Treasures from Weakly-labeled Behavior Data for Query
Attribute Value Extraction [57.56700153507383]
本稿では,QUEACOというEコマース検索におけるクエリ属性値の統一抽出システムを提案する。
NER フェーズでは、QUEACO は教師-学生ネットワークを採用し、強くラベル付けされたデータに基づいてトレーニングされた教師ネットワークが擬似ラベルを生成する。
AVN フェーズでは、弱いラベル付けされたクエリ・ツー・アトリビュート・ビヘイビア・データを利用して、クエリーから表層属性値の正規化を行い、製品から標準形式へと変換する。
論文 参考訳（メタデータ） (2021-08-19T03:24:23Z) - Neural Text Classification and Stacked Heterogeneous Embeddings for
Named Entity Recognition in SMM4H 2021 [1.195496689595016]
名前付きエンティティ認識(NER)とテキスト分類について検討した。
NERに対処するため,重み付き異種埋め込みと言語的特徴を用いたBiLSTM-CRFの探索を行った。
提案手法は様々な言語に一般化することができ、英語とスペイン語で有効性を示した。
論文 参考訳（メタデータ） (2021-06-10T15:43:21Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - Classify and Generate Reciprocally: Simultaneous Positive-Unlabelled
Learning and Conditional Generation with Extra Data [77.31213472792088]
クラスラベルデータの不足は、多くの機械学習問題において、ユビキタスなボトルネックとなっている。
本稿では, 正負ラベル付き(PU)分類と, 余分なラベル付きデータによる条件生成を活用することで, この問題に対処する。
本稿では,PU分類と条件生成を併用した新たなトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-14T08:27:40Z) - Adaptive Name Entity Recognition under Highly Unbalanced Data [5.575448433529451]
我々は,2方向LSTM (BI-LSTM) 上に積み重ねた条件付きランダムフィールド (CRF) 層からなるニューラルアーキテクチャについて実験を行った。
WeakクラスとStrongクラスを2つの異なるセットに分割し、各セットのパフォーマンスを最適化するために2つのBi-LSTM-CRFモデルを適切に設計するアドオン分類モデルを提案する。
論文 参考訳（メタデータ） (2020-03-10T06:56:52Z)
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。