論文の概要: Predicting the clinical citation count of biomedical papers using
multilayer perceptron neural network
- arxiv url: http://arxiv.org/abs/2210.06346v3
- Date: Fri, 21 Oct 2022 07:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-27 15:23:24.125937
- Title: Predicting the clinical citation count of biomedical papers using
multilayer perceptron neural network
- Title（参考訳）: 多層パーセプトロンニューラルネットワークを用いたバイオメディカルペーパーの臨床引用数予測
- Authors: Xin Li, Xuli Tang, Qikai Cheng
- Abstract要約: バイオメディカルペーパーの臨床引用数の早期予測は、バイオメディシンの科学的活動に不可欠である。
バイオメディカルペーパーの臨床引用数を予測するために,4層多層パーセプトロンニューラルネットワーク(MPNN)モデルを設計した。
- 参考スコア（独自算出の注目度）: 4.64065792373245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The number of clinical citations received from clinical guidelines or
clinical trials has been considered as one of the most appropriate indicators
for quantifying the clinical impact of biomedical papers. Therefore, the early
prediction of the clinical citation count of biomedical papers is critical to
scientific activities in biomedicine, such as research evaluation, resource
allocation, and clinical translation. In this study, we designed a four-layer
multilayer perceptron neural network (MPNN) model to predict the clinical
citation count of biomedical papers in the future by using 9,822,620 biomedical
papers published from 1985 to 2005. We extracted ninety-one paper features from
three dimensions as the input of the model, including twenty-one features in
the paper dimension, thirty-five in the reference dimension, and thirty-five in
the citing paper dimension. In each dimension, the features can be classified
into three categories, i.e., the citation-related features, the clinical
translation-related features, and the topic-related features. Besides, in the
paper dimension, we also considered the features that have previously been
demonstrated to be related to the citation counts of research papers. The
results showed that the proposed MPNN model outperformed the other five
baseline models, and the features in the reference dimension were the most
important.
- Abstract（参考訳）: 臨床ガイドラインや臨床試験から得られた臨床引用の数は、バイオメディカルペーパーの臨床的影響を定量化する最も適切な指標の1つと考えられている。
したがって, バイオメディカルペーパーの臨床引用回数の早期予測は, 研究評価, 資源配分, 臨床翻訳などの生物医学における科学的活動にとって重要である。
本研究では,1985年から2005年にかけて発行された9,822,620のバイオメディカルペーパーを用いて,将来的なバイオメディカルペーパーの臨床引用数を予測する4層多層パーセプトロンニューラルネットワーク(MPNN)モデルを設計した。
モデルの入力として3次元から9次元の紙特徴を抽出し,紙次元の21特徴,参照次元の35特徴,引用紙次元の35特徴を抽出した。
各次元において、特徴は、引用関連特徴、臨床翻訳関連特徴、話題関連特徴の3つのカテゴリに分類することができる。
また, 論文次元においては, これまで研究論文の引用数と関連づけられた特徴についても考察した。
その結果,MPNNモデルが他の5つのベースラインモデルよりも優れており,基準次元の特徴が最も重要であることがわかった。
関連論文リスト
- A Review on Generative AI Models for Synthetic Medical Text, Time Series, and Longitudinal Data [0.3374875022248865]
本稿では3種類の合成健康記録(SHR)を作成するための実用モデルに関する新しいスコーピングレビューの結果について述べる。
52の出版物が医療時系列(22件)、縦断データ(17件)、医用テキスト(13件)を生成するための適格基準を満たした。
プライバシー保護は研究論文の主要な研究目的であり,他の目的として,クラス不均衡,データ不足,データ改ざんなどがあった。
論文 参考訳（メタデータ） (2024-11-19T06:53:54Z) - AI Insights: A Case Study on Utilizing ChatGPT Intelligence for Research
Paper Analysis [0.0]
この研究は、研究トピックとして、乳癌治療における人工知能のテキスト応用を選択した。
このトピックに関する研究論文は、Google Scholar、Pubmed、Scopusの3つの主要な出版データベースから収集された。
チャットGPTモデルを用いて,研究論文のカテゴリ,スコープ,関連情報を同定した。
論文 参考訳（メタデータ） (2024-03-05T19:47:57Z) - Hierarchical Pretraining for Biomedical Term Embeddings [4.69793648771741]
階層データに基づく新しいバイオメディカル用語表現モデルであるHiPrBERTを提案する。
HiPrBERTは階層的な情報からペアワイズ距離を効果的に学習し,さらにバイオメディカルな応用に極めて有用な埋め込みを実現できることを示す。
論文 参考訳（メタデータ） (2023-07-01T08:16:00Z) - 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) - This Patient Looks Like That Patient: Prototypical Networks for
Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。
本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。
利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-16T10:12:07Z) - Cross-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。
ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。
以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
論文 参考訳（メタデータ） (2022-08-03T08:33:21Z) - Deep forecasting of translational impact in medical research [1.8130872753848115]
我々は,多スケールパブリッシュデータの表現的および識別的数学的モデルスイートを開発する。
我々は、引用は、特許、ガイドライン、政策文書に含めることにより判断される翻訳効果の適度な予測のみであることを示す。
我々は、従来の引用に基づく手法よりも、コンテンツに基づく影響モデルの方がパフォーマンスに優れていると論じる。
論文 参考訳（メタデータ） (2021-10-17T19:29:41Z) - 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) - What is the State of the Art of Computer Vision-Assisted Cytology? A
Systematic Literature Review [47.42354724922676]
現在,細胞診に応用されているコンピュータビジョン技術の現状を明らかにするために,システマティック文献レビューを実施している。
分析された研究で最も使われている方法は深層学習(70論文)であるが、古典的なコンピュータビジョンのみ(101論文)を使用するものは少ない。
結論として,多くの染色に対して高品質なデータセットがまだ存在せず,ほとんどの研究は日常的な臨床診断ルーチンに適用できるほど成熟していない。
論文 参考訳（メタデータ） (2021-05-24T13:50:45Z) - CREATe: Clinical Report Extraction and Annotation Technology [53.731999072534876]
臨床症例報告は、特定の臨床症例の特異な側面を記述した記述である。
これらのレポートを注釈付け、インデックス付け、あるいはキュレートするエンドツーエンドシステムを開発する試みはない。
本稿では,新たな計算資源プラットフォームを提案し,臨床事例レポートの内容の抽出,索引付け,照会を行う。
論文 参考訳（メタデータ） (2021-02-28T16:50:14Z) - Multi-Ontology Refined Embeddings (MORE): A Hybrid Multi-Ontology and
Corpus-based Semantic Representation for Biomedical Concepts [0.5812284760539712]
本稿では,複数のオントロジからのドメイン知識を分散意味モデルに組み込むためのフレームワークであるMOREを紹介する。
我々は、MOREのコーパスベースのコンポーネントとして、RadCoreとMIMIC-IIIのフリーテキストデータセットを使用します。
コーパスベースでは,メディカル・サブジェクト・ヘッダー(MeSH)と3つの最先端の類似度尺度を用いる。
論文 参考訳（メタデータ） (2020-04-14T14:38:41Z)
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。