論文の概要: Exploring semantic information in disease: Simple Data Augmentation
Techniques for Chinese Disease Normalization
- arxiv url: http://arxiv.org/abs/2306.01931v1
- Date: Fri, 2 Jun 2023 22:12:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 21:23:30.271874
- Title: Exploring semantic information in disease: Simple Data Augmentation
Techniques for Chinese Disease Normalization
- Title(参考訳): 疾患のセマンティック情報を探る:中国病の正規化のための簡易データ拡張技術
- Authors: Wenqian Cui and Shaohui Liu and Xiangling Fu and Xien Liu and Ji Wu
- Abstract要約: 本稿では,病気の正規化のためのトレーニングタスクとして協調して機能する一連のデータ拡張手法を提案する。
提案手法は, 拡張されていない手法と比較して最大3%の性能向上が可能である。
- 参考スコア(独自算出の注目度): 21.497703900982884
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The disease is a core concept in the medical field, and the task of
normalizing disease names is the basis of all disease-related tasks. However,
due to the multi-axis and multi-grain nature of disease names, incorrect
information is often injected and harms the performance when using general text
data augmentation techniques. To address the above problem, we propose a set of
data augmentation techniques that work together as an augmented training task
for disease normalization. Our data augmentation methods are based on both the
clinical disease corpus and standard disease corpus derived from ICD-10 coding.
Extensive experiments are conducted to show the effectiveness of our proposed
methods. The results demonstrate that our methods can have up to 3\%
performance gain compared to non-augmented counterparts, and they can work even
better on smaller datasets.
- Abstract(参考訳): この病気は医療分野における中核的な概念であり、病名標準化の課題は、すべての疾患関連タスクの基礎である。
しかし,病名の多軸・多結晶性のため,誤情報がしばしば注入され,一般的なテキストデータ拡張技術を用いた場合の性能が損なわれる。
そこで本研究では,疾患の正規化のための強化訓練タスクとして機能するデータ拡張手法を提案する。
ICD-10コードから得られた臨床疾患コーパスと標準疾患コーパスの両方に基づいてデータ拡張を行った。
提案手法の有効性を示すために広範な実験を行った。
その結果,提案手法は,提案手法に比べて最大3-%の性能向上が可能となり,より小さなデータセットでもより優れた処理が可能となった。
関連論文リスト
- Domain-invariant Clinical Representation Learning by Bridging Data
Distribution Shift across EMR Datasets [16.317118701435742]
適切な診断を行い、パーソナライズされた治療計画を設計する上で、効果的な予後モデルが期待されている。
疾患の初期段階では、限られたデータ収集と臨床経験に加えて、プライバシと倫理の懸念から、参照のためのデータ可用性が制限される可能性がある。
本稿では、ソースデータセットからターゲットデータセットへの遷移モデルを構築するためのドメイン不変表現学習手法を紹介する。
論文 参考訳(メタデータ) (2023-10-11T18:32:21Z) - Data Augmentation through Pseudolabels in Automatic Region Based
Coronary Artery Segmentation for Disease Diagnosis [6.943548662802804]
冠状動脈疾患(CAD)は予防できるが、死と障害の主な原因の1つである。
本稿では,データ拡張手法として擬似ラベルを用いることにより,ベースラインYoloモデルの性能向上を図る。
この方法は、検証データセットで9%、テストデータセットで3%、ベースラインのF1スコアを上昇させる。
論文 参考訳(メタデータ) (2023-10-08T04:54:12Z) - Medical Federated Model with Mixture of Personalized and Sharing
Components [31.068735334318088]
本稿では,その問題に対処するための新しい個人化学習フレームワークを提案する。
ローカルデータ間の類似性を認識したパーソナライズされたモデルが得られる。
また,計算効率を大幅に向上させる効率的な計算コスト削減手法を提案する。
論文 参考訳(メタデータ) (2023-06-26T07:50:32Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - A Novel Collaborative Self-Supervised Learning Method for Radiomic Data [3.5213632537596604]
本稿では,ラベル付き無線データ不足の課題を解決するための,新しい自己教師型学習手法を提案する。
提案手法は, 放射線データから頑健な潜在特徴表現を自己指導的に学習し, 人間のアノテーションの取り組みを減らした。
論文 参考訳(メタデータ) (2023-02-20T07:15:28Z) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳(メタデータ) (2022-01-29T13:45:39Z) - Efficient Symptom Inquiring and Diagnosis via Adaptive Alignment of
Reinforcement Learning and Classification [0.6415701940560564]
そこで本研究では,それぞれに強化学習課題と分類課題として定式化された症状検索と疾患診断を併用した医学的自動診断法を提案する。
我々はMedlinePlus知識ベースから抽出された新しいデータセットを作成し、より多くの病気とより完全な症状情報を含む。
実験結果から,本手法は異なるデータセット上での3つの最新手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-12-01T11:25:42Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z)
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。