論文の概要: MGA: Medical generalist agent through text-guided knowledge
transformation
- arxiv url: http://arxiv.org/abs/2303.08562v1
- Date: Wed, 15 Mar 2023 12:28:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 14:01:53.944103
- Title: MGA: Medical generalist agent through text-guided knowledge
transformation
- Title(参考訳): mga : テキスト案内知識変換による医療ジェネラリストエージェント
- Authors: Weijian Huang, Hao Yang, Cheng Li, Mingtong Dai, Rui Yang, Shanshan
Wang
- Abstract要約: 本稿では,3種類の共通臨床課題に対処できる新しい医用ジェネラリストエージェントであるMGAを提案する。
既存のメソッドとは異なり、MGAは対応するアノテーションが欠落している場合に特定の下流ブランチなしで、さまざまなタスクに容易に適応できる。
我々は,医療専門家の言語指導を伝達媒体として利用し,エージェントの行動指導を行う最初の試みである。
- 参考スコア(独自算出の注目度): 21.151898451246062
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modal representation methods have achieved advanced performance in
medical applications by extracting more robust features from multi-domain data.
However, existing methods usually need to train additional branches for
downstream tasks, which may increase the model complexities in clinical
applications as well as introduce additional human inductive bias. Besides,
very few studies exploit the rich clinical knowledge embedded in clinical daily
reports. To this end, we propose a novel medical generalist agent, MGA, that
can address three kinds of common clinical tasks via clinical reports knowledge
transformation. Unlike the existing methods, MGA can easily adapt to different
tasks without specific downstream branches when their corresponding annotations
are missing. More importantly, we are the first attempt to use medical
professional language guidance as a transmission medium to guide the agent's
behavior. The proposed method is implemented on four well-known X-ray
open-source datasets, MIMIC-CXR, CheXpert, MIMIC-CXR-JPG, and MIMIC-CXR-MS.
Promising results are obtained, which validate the effectiveness of our
proposed MGA. Code is available at: https://github.com/SZUHvern/MGA
- Abstract(参考訳): マルチモーダル表現法は、マルチドメインデータからより堅牢な特徴を抽出することにより、医療応用における高度な性能を実現している。
しかし、既存の手法では、通常、下流タスクのために追加のブランチを訓練する必要があるため、臨床応用におけるモデルの複雑さが増大し、追加の人為的帰納バイアスがもたらされる可能性がある。
さらに、臨床報告に埋め込まれた豊富な臨床知識を活用する研究はほとんどない。
そこで本研究では,臨床報告の知識転換を通じて,3種類の共通臨床課題に対処できる新しい医療ジェネリストエージェントであるMGAを提案する。
既存のメソッドとは異なり、MGAは対応するアノテーションが欠けている場合に特定の下流ブランチなしで、さまざまなタスクに容易に適応できる。
さらに重要なことに、我々は医療専門家の言語指導を伝達媒体として使用し、エージェントの行動を誘導する最初の試みである。
提案手法は,MIMIC-CXR,CheXpert,MIMIC-CXR-JPG,MIMIC-CXR-MSの4つのオープンソースデータセット上に実装されている。
その結果,提案したMGAの有効性が検証された。
コードは、https://github.com/SZUHvern/MGAで入手できる。
関連論文リスト
- Competence-based Multimodal Curriculum Learning for Medical Report
Generation [57.70660979063147]
本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。
具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。
パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
論文 参考訳(メタデータ) (2022-06-24T08:16:01Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳(メタデータ) (2022-06-04T13:16:30Z) - Scientific Language Models for Biomedical Knowledge Base Completion: An
Empirical Study [62.376800537374024]
我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。
LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
論文 参考訳(メタデータ) (2021-06-17T17:55:33Z) - MeSIN: Multilevel Selective and Interactive Network for Medication
Recommendation [9.173903754083927]
薬物推奨のためのマルチレベル選択型対話型ネットワーク(MeSIN)を提案する。
まず、異なる医療コードの埋め込みに柔軟な注意スコアを割り当てるために注意選択モジュール(ASM)が適用されます。
第二に、EHRデータにおける多レベルの医療シーケンスの相互作用を強化するために、新しい対話型長期メモリネットワーク(InLSTM)を組み込む。
論文 参考訳(メタデータ) (2021-04-22T12:59:50Z) - Does the Magic of BERT Apply to Medical Code Assignment? A Quantitative
Study [2.871614744079523]
事前訓練されたモデルが、さらなるアーキテクチャエンジニアリングなしで医療コード予測に有用かどうかは明らかではない。
本稿では,単語間のインタラクションをキャプチャし,ラベル情報を活用する階層的な微調整アーキテクチャを提案する。
現在の傾向とは対照的に、我々は慎重に訓練された古典的なCNNは、頻繁なコードでMIMIC-IIIサブセット上の注意ベースのモデルを上回ることを実証します。
論文 参考訳(メタデータ) (2021-03-11T07:23:45Z) - Medical Code Assignment with Gated Convolution and Note-Code Interaction [39.079615516043674]
本稿では,医療コードの自動割り当てのための新しい手法,ゲート畳み込みニューラルネットワーク,ノートコードインタラクション(GatedCNN-NCI)を提案する。
新たなノート-コードインタラクション設計とグラフメッセージパッシング機構により、ノートとコード間の基盤となる依存関係を明示的にキャプチャする。
提案モデルはほとんどの場合,最先端モデルよりも優れており,モデルサイズは軽量ベースラインと同程度である。
論文 参考訳(メタデータ) (2020-10-14T11:37:24Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳(メタデータ) (2020-10-04T10:25:13Z) - SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。
SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文 参考訳(メタデータ) (2020-10-04T00:14:57Z) - Multi-Perspective Semantic Information Retrieval in the Biomedical
Domain [0.0]
情報検索(Information Retrieval、IR)とは、特定のクエリやニーズに関連するデータ(ドキュメントなど)を取得するタスクである。
現代のニューラルアプローチは、古典的なアプローチと比べて一定の利点がある。
この研究は、バイオメディカルセマンティック情報検索ドメインのいくつかの側面に貢献する。
論文 参考訳(メタデータ) (2020-07-17T21:05:44Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳(メタデータ) (2020-07-05T11:49:17Z)
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。