論文の概要: A Prompt-based Multimodal Tabular Transformer Encoder For Medical Intervention Duration Estimation

• arxiv url: http://arxiv.org/abs/2303.17408v2
• Date: Wed, 9 Aug 2023 08:58:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-10 17:50:13.574990
• Title: A Prompt-based Multimodal Tabular Transformer Encoder For Medical Intervention Duration Estimation
• Title（参考訳）: 医療介入期間推定のためのプロンプト型多モードタブラルトランスコーダ
• Authors: Yucheng Ruan, Xiang Lan, Daniel J. Tan, Hairil Rizal Abdullah, Mengling Feng
• Abstract要約: 本研究は,臨床意思決定支援における電子健康記録(EHR)を用いた医療介入の継続期間を推定することに焦点を当てた。 本研究の目的は、EHRと異なるデータモダリティを統合するマルチモーダルディープラーニングフレームワークを開発することである。
• 参考スコア（独自算出の注目度）: 1.1499574149885021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: This study focuses on estimating the duration of medical interventions using electronic health records (EHRs) in clinical decision support. Most existing models were designed for structured tabular data only and often suffer from data corruption problem. The unstructured clinical free-text data that provides valuable insights and is more resistant to data corruption is often overlooked. The objective of this research is to develop a multimodal deep learning framework that integrates different data modalities from EHRs, thereby fully utilizing the predictive capability of EHRs for medical intervention estimation. Materials and Methods: A novel prompt-based tabular transformer encoder framework is proposed for medical intervention duration estimation based on multimodal EHR data. The framework leverages a pre-trained sentence encoder with medical prompts to harmonize language representations of various clinical data modalities, which a tabular transformer encoder is developed to further explore. Results: The developed model demonstrates superior performance compared to the baselines in two EHR datasets. Furthermore, the model exhibits resilience to data corruption in EHRs, with the RMSE curve increasing gradually with higher corruption rates. Discussion: Other than the predictive effectiveness and robustness of the proposed framework, the ablation study highlights the significance of critical components, such as medical prompts, free-text information, and the pre-trained sentence encoder, all contributing to the model's predictive ability. Conclusion: This research presents a promising pathway to enhance medical intervention estimation by incorporating diverse data modalities from language perspective, ultimately bolstering the reliability of deep learning models in clinical care.
• Abstract（参考訳）: 目的:本研究は,電子健康記録(ehrs)を用いた臨床判断支援における医療介入期間の推定に焦点をあてる。 既存のモデルの多くは構造化表データのみ用に設計されており、しばしばデータ破損の問題に悩まされる。 貴重な洞察を提供し、データ破損に抵抗する非構造化臨床自由テキストデータは、しばしば見過ごされる。 本研究の目的は, EHRと異なるデータモダリティを統合したマルチモーダル深層学習フレームワークを開発し, 医療介入推定において, EHRの予測能力を完全に活用することである。 Materials and Methods: Multimodal EHRデータに基づく医療介入期間推定のための新しいプロンプトベースの表型トランスフォーマーエンコーダフレームワークを提案する。 このフレームワークは、事前訓練された文エンコーダを利用して、様々な臨床データモダリティの言語表現を調和させ、さらに探索するために表型トランスフォーマーエンコーダを開発した。 結果: 2つのEHRデータセットのベースラインよりも優れた性能を示した。 さらに, RMSE曲線は, 劣化率の上昇とともに徐々に増加し, EHRにおけるデータ破壊に対するレジリエンスを示す。 考察:提案フレームワークの予測の有効性と堅牢性以外に,アブレーション研究は,医学的プロンプトや自由テキスト情報,事前学習された文エンコーダといった重要なコンポーネントの重要性を強調し,いずれもモデルの予測能力に寄与する。 結論: 本研究は, 言語の観点から多様なデータモダリティを取り入れ, 医療における深層学習モデルの信頼性を高めることにより, 医療介入推定の促進を図っている。

関連論文リスト

• MEDFuse: Multimodal EHR Data Fusion with Masked Lab-Test Modeling and Large Language Models [11.798375238713488]
  MEDFuseは構造化および非構造化の医療データを統合するフレームワークである。 10種類のマルチラベル分類タスクにおいて、90%以上のF1スコアを達成している。
  論文  参考訳（メタデータ） (2024-07-17T04:17:09Z)
• DictLLM: Harnessing Key-Value Data Structures with Large Language Models for Enhanced Medical Diagnostics [36.057925881268226]
  DictLLMは、医学実験室報告のようなキーバリュー構造化データのモデリングを改善するために設計された革新的なフレームワークである。 診断自動生成のための総合的な実世界医療実験室レポートデータセットを用いて,様々なLCMモデルを用いた実験を行った。
  論文  参考訳（メタデータ） (2024-02-18T07:10:02Z)
• Unifying Structured Data as Graph for Data-to-Text Pre-Training [69.96195162337793]
  Data-to-text (D2T) の生成は、構造化されたデータを自然言語テキストに変換することを目的としている。 データからテキストへの事前学習は、D2T生成の強化に強力であることが証明された。 構造強化トランスを設計し,D2T生成のための構造強化事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T12:23:49Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• MediTab: Scaling Medical Tabular Data Predictors via Data Consolidation, Enrichment, and Refinement [44.693325083735424]
  患者の健康リスク予測などの医療応用において,タブラルデータ予測が採用されている。 以前の予測子は、手動でキュレートされた小さなデータセットでトレーニングされることが多い。
  論文  参考訳（メタデータ） (2023-05-20T03:37:09Z)
• Structural Biases for Improving Transformers on Translation into Morphologically Rich Languages [120.74406230847904]
  TP-Transformerは従来のTransformerアーキテクチャを拡張し、構造を表現するコンポーネントを追加する。 第2の方法は、形態的トークン化でデータをセグメント化することで、データレベルで構造を付与する。 これらの2つのアプローチのそれぞれが、ネットワークがより良いパフォーマンスを達成することを可能にすることは分かっていますが、この改善はデータセットのサイズに依存します。
  論文  参考訳（メタデータ） (2022-08-11T22:42:24Z)
• Medical Scientific Table-to-Text Generation with Human-in-the-Loop under the Data Sparsity Constraint [11.720364723821993]
  効率的なテーブル・ツー・テキスト要約システムは、このデータをレポートにまとめる手作業を大幅に減らすことができる。 しかし、実際には、この問題は、正確で信頼性の高い出力を生成するための最先端の自然言語生成モデルの、データポーカリティ、データポーサリティ、および機能不全によって大きく妨げられている。 本稿では, 自動補正, コピー機構, 合成データ拡張によって強化された新しい2段階アーキテクチャを用いて, テーブル・ツー・テキスト・アプローチを提案し, それらの課題に対処する。
  論文  参考訳（メタデータ） (2022-05-24T21:10:57Z)
• AlignTransformer: Hierarchical Alignment of Visual Regions and Disease Tags for Medical Report Generation [50.21065317817769]
  本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。 パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
  論文  参考訳（メタデータ） (2022-03-18T13:43:53Z)
• Heterogeneous electronic medical record representation for similarity computing [3.039568795810294]
  患者類似度評価は、特定の患者に類似している患者を識別するための二次タスクの1つです。 本稿では,EMR(Electronic Medical Records)の新しいデータ表現手法について検討する。 本研究では,非構造化データと構造化データを用いて,症状,症状,疾患を含むさまざまな医療イベントの同時発生を捉える手法を提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:38:14Z)
• Medical Transformer: Gated Axial-Attention for Medical Image Segmentation [73.98974074534497]
  医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。 セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。 医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
  論文  参考訳（メタデータ） (2021-02-21T18:35:14Z)

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。