論文の概要: RadGraph2: Modeling Disease Progression in Radiology Reports via Hierarchical Information Extraction

• arxiv url: http://arxiv.org/abs/2308.05046v1
• Date: Wed, 9 Aug 2023 16:19:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-10 13:04:50.438612
• Title: RadGraph2: Modeling Disease Progression in Radiology Reports via Hierarchical Information Extraction
• Title（参考訳）: RadGraph2:階層的情報抽出による放射線医学報告における疾患進展のモデル化
• Authors: Sameer Khanna, Adam Dejl, Kibo Yoon, Quoc Hung Truong, Hanh Duong, Agustina Saenz, Pranav Rajpurkar
• Abstract要約: RadGraph2は,放射線学報告から情報を取り出すための新しいデータセットである。 階層的なスキーマを導入し、それらの関係に基づいてエンティティを整理し、トレーニング中にこの階層を使用すると、情報抽出モデルの性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 1.257865347624134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present RadGraph2, a novel dataset for extracting information from radiology reports that focuses on capturing changes in disease state and device placement over time. We introduce a hierarchical schema that organizes entities based on their relationships and show that using this hierarchy during training improves the performance of an information extraction model. Specifically, we propose a modification to the DyGIE++ framework, resulting in our model HGIE, which outperforms previous models in entity and relation extraction tasks. We demonstrate that RadGraph2 enables models to capture a wider variety of findings and perform better at relation extraction compared to those trained on the original RadGraph dataset. Our work provides the foundation for developing automated systems that can track disease progression over time and develop information extraction models that leverage the natural hierarchy of labels in the medical domain.
• Abstract（参考訳）: radgraph2は,疾患状態の変化やデバイス配置の経時的変化を捉えることに焦点を当てた,放射線レポートから情報を抽出する新しいデータセットである。 本稿では,その関係に基づいてエンティティを整理する階層スキーマを導入し,トレーニング中にこの階層を用いることで情報抽出モデルの性能が向上することを示す。 具体的には、dygie++フレームワークの修正を提案し、エンティティおよび関係抽出タスクで従来のモデルを上回るモデルhgieを作成しました。 RadGraph2は、オリジナルのRadGraphデータセットでトレーニングされたモデルと比較して、より広範なさまざまな発見をキャプチャし、関係抽出において優れたパフォーマンスを発揮することを実証する。 我々の研究は、疾患の進行を追跡し、医療領域におけるラベルの自然な階層を活用できる情報抽出モデルを開発するための基盤を提供する。

関連論文リスト

• Advanced RAG Models with Graph Structures: Optimizing Complex Knowledge Reasoning and Text Generation [7.3491970177535]
  本研究では,グラフニューラルネットワーク(GNN)を組み合わせたグラフ構造データ処理手法を提案する。 この結果から,本論文で提案するグラフベースRAGモデルは,品質,知識の整合性,推論能力の点で従来の世代モデル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） (2024-11-06T00:23:55Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Representing Outcome-driven Higher-order Dependencies in Graphs of Disease Trajectories [22.83957446240816]
  本稿では,与えられた結果に対するリスク要因の組み合わせを同定し,これらの高次関係をグラフに正確にエンコードする手法を提案する。 913,475型2型糖尿病 (T2D) 患者の歴史的データを用いて, 他のアプローチと比較して, 提案したネットワークは, 様々な結果に対するT2Dの進行について, かなり多くの情報をエンコードしていることがわかった。
  論文  参考訳（メタデータ） (2023-12-23T21:33:40Z)
• Backbone-based Dynamic Graph Spatio-Temporal Network for Epidemic Forecasting [3.382729969842304]
  正確な流行予測は伝染病の予防に重要な課題である。 多くのディープラーニングベースのモデルは、空間情報を構築する際に静的グラフや動的グラフにのみフォーカスする。 バックボーンに基づく動的グラフ時空間ネットワーク(BDGSTN)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-01T10:34:03Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Attributed Abnormality Graph Embedding for Clinically Accurate X-Ray Report Generation [7.118069629513661]
  我々は、属性異常グラフ(ATAG)と呼ばれる、新しい微粒化知識グラフ構造を導入する。 ATAGは相互接続された異常ノードと属性ノードで構成されており、異常の詳細をより正確に把握することができる。 提案したATAG-based Deep ModelはSOTA法よりも大きなマージンで優れており, 得られた報告の臨床的精度を向上させることができる。
  論文  参考訳（メタデータ） (2022-07-04T05:32:00Z)
• Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
  グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。 具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。 我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-05-08T08:19:40Z)
• 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)

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。