論文の概要: MasonNLP+ at SemEval-2023 Task 8: Extracting Medical Questions, Experiences and Claims from Social Media using Knowledge-Augmented Pre-trained Language Models

• arxiv url: http://arxiv.org/abs/2304.13875v1
• Date: Wed, 26 Apr 2023 23:45:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-28 14:42:16.043928
• Title: MasonNLP+ at SemEval-2023 Task 8: Extracting Medical Questions, Experiences and Claims from Social Media using Knowledge-Augmented Pre-trained Language Models
• Title（参考訳）: masonnlp+ at semeval-2023 task 8: knowledge-augmented pre-trained language modelを用いたソーシャルメディアからの医学的質問,経験,クレームの抽出
• Authors: Giridhar Kaushik Ramachandran, Haritha Gangavarapu, Kevin Lybarger, Ozlem Uzuner
• Abstract要約: Redditのようなオンラインフォーラムでは、ユーザーは、クレームの作成、質問、治療が健康に与える影響について議論など、医療状況や治療経験を共有している。 この情報を理解するシステムの構築は、誤報の拡散を効果的に監視し、ユーザのクレームを検証する。 2023年「セマンティック・アセスメントに関する国際ワークショップ」のタスク8は、ソーシャルメディア上のユーザー投稿から患者体験・医療状況関連エンティティを抽出する医療応用に焦点を当てた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In online forums like Reddit, users share their experiences with medical conditions and treatments, including making claims, asking questions, and discussing the effects of treatments on their health. Building systems to understand this information can effectively monitor the spread of misinformation and verify user claims. The Task-8 of the 2023 International Workshop on Semantic Evaluation focused on medical applications, specifically extracting patient experience- and medical condition-related entities from user posts on social media. The Reddit Health Online Talk (RedHot) corpus contains posts from medical condition-related subreddits with annotations characterizing the patient experience and medical conditions. In Subtask-1, patient experience is characterized by personal experience, questions, and claims. In Subtask-2, medical conditions are characterized by population, intervention, and outcome. For the automatic extraction of patient experiences and medical condition information, as a part of the challenge, we proposed language-model-based extraction systems that ranked $3^{rd}$ on both subtasks' leaderboards. In this work, we describe our approach and, in addition, explore the automatic extraction of this information using domain-specific language models and the inclusion of external knowledge.
• Abstract（参考訳）: redditのようなオンラインフォーラムでは、ユーザーは、請求書の作成、質問、治療が健康に与える影響に関する議論など、医療状況や治療の経験を共有している。 この情報を理解するシステムの構築は,誤報の拡散を効果的に監視し,ユーザの主張を検証する。 セマンティック評価に関する2023年国際ワークショップのタスク8は、特に、ソーシャルメディア上のユーザー投稿から患者体験および医療状態関連エンティティを抽出することに焦点を当てた。 Reddit Health Online Talk (RedHot) コーパスには、患者の経験と医療状況を特徴づける注釈が付いた医療条件関連サブレディットからの投稿が含まれている。 Subtask-1では、患者体験は個人的な経験、質問、クレームによって特徴づけられる。 Subtask-2では、医療条件は人口、介入、結果によって特徴づけられる。 患者体験と医療情報の自動抽出のために,課題の一環として,各サブタスクのリーダボードに$3^{rd}$を付与する言語モデルに基づく抽出システムを提案する。 本稿では,本手法について述べるとともに,ドメイン固有言語モデルを用いた情報の自動抽出と外部知識の導入について考察する。

関連論文リスト

• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• MedInsight: A Multi-Source Context Augmentation Framework for Generating Patient-Centric Medical Responses using Large Language Models [3.0874677990361246]
  大きな言語モデル(LLM)は、人間のような応答を生成する素晴らしい能力を示している。 我々は,LLM入力を関連背景情報で拡張する新しい検索フレームワークMedInsightを提案する。 MTSamplesデータセットの実験は、文脈的に適切な医療応答を生成するMedInsightの有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-13T15:20:30Z)
• Yes, this is what I was looking for! Towards Multi-modal Medical Consultation Concern Summary Generation [46.42604861624895]
  マルチモーダル・メディカル・コンシューム・サマリ・ジェネレーションの新しい課題を提案する。 患者のジェスチャーや表情などの非言語的手がかりは、患者の懸念を正確に識別するのに役立つ。 マルチモーダル・メディカル・コンシューム・サマリー・ジェネレーション・コーパスを構築。
  論文  参考訳（メタデータ） (2024-01-10T12:56:47Z)
• Recovering Patient Journeys: A Corpus of Biomedical Entities and Relations on Twitter (BEAR) [12.447379545167642]
  本論文は,患者への旅行や経験を探索し,モデル化する動機として,アノテーション層を多用したコーパスを提案する。 我々は14のエンティティクラス(環境要因、診断、生化学的プロセス、患者のQOL、病原体、医療状況、治療など)と20の関連クラス(予防、影響、相互作用、原因など)をラベル付けする。 公開データセットは2,100のつぶやきと約6,000のエンティティと3,000のリレーショナルアノテーションで構成されている。
  論文  参考訳（メタデータ） (2022-04-21T08:18:44Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
  MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。 実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T03:34:33Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Assessing the Severity of Health States based on Social Media Posts [62.52087340582502]
  ユーザの健康状態の重症度を評価するために,テキストコンテンツとコンテキスト情報の両方をモデル化する多視点学習フレームワークを提案する。 多様なNLUビューは、ユーザの健康を評価するために、タスクと個々の疾患の両方に効果を示す。
  論文  参考訳（メタデータ） (2020-09-21T03:45:14Z)
• Dr. Summarize: Global Summarization of Medical Dialogue by Exploiting Local Structures [4.3012765978447565]
  本稿では,患者の医療履歴を収集する際,一意で独立した局所構造を生かした医療会話要約手法を提案する。 提案手法は,ベースラインポインタジェネレータモデルに対するポインタ数を2倍にし,会話の80%で情報の大部分あるいは全部をキャプチャする。
  論文  参考訳（メタデータ） (2020-09-18T07:35:44Z)

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。