論文の概要: Large Language Models for Granularized Barrett's Esophagus Diagnosis Classification

• arxiv url: http://arxiv.org/abs/2308.08660v1
• Date: Wed, 16 Aug 2023 20:17:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 18:44:53.832957
• Title: Large Language Models for Granularized Barrett's Esophagus Diagnosis Classification
• Title（参考訳）: 粒状化Barrett食道診断のための大規模言語モデル
• Authors: Jenna Kefeli, Ali Soroush, Courtney J. Diamond, Haley M. Zylberberg, Benjamin May, Julian A. Abrams, Chunhua Weng, Nicholas Tatonetti
• Abstract要約: 病理報告から重要な診断表現型を抽出するためには, 精巧なマニュアルチャートのレビューが必要である。 我々は、データ抽出を自動化する一般化可能な変換器ベースの手法を開発した。 バイナリジスプラシア抽出は0.964F1スコア、マルチクラスモデルは0.911F1スコアを達成する。
• 参考スコア（独自算出の注目度）: 4.144525746262123
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diagnostic codes for Barrett's esophagus (BE), a precursor to esophageal cancer, lack granularity and precision for many research or clinical use cases. Laborious manual chart review is required to extract key diagnostic phenotypes from BE pathology reports. We developed a generalizable transformer-based method to automate data extraction. Using pathology reports from Columbia University Irving Medical Center with gastroenterologist-annotated targets, we performed binary dysplasia classification as well as granularized multi-class BE-related diagnosis classification. We utilized two clinically pre-trained large language models, with best model performance comparable to a highly tailored rule-based system developed using the same data. Binary dysplasia extraction achieves 0.964 F1-score, while the multi-class model achieves 0.911 F1-score. Our method is generalizable and faster to implement as compared to a tailored rule-based approach.
• Abstract（参考訳）: 食道癌の前身であるbarrett's esophagus(be)の診断符号は,多くの研究例や臨床応用例において粒度や精度が欠如している。 BEの病態報告から重要な診断表現型を抽出するためには,手動図の精査が必要である。 本研究では,データ抽出を自動化する汎用トランスベース手法を開発した。 コロンビア大学アーヴィング医療センターの病理所見から胃腸科医を対象とし,二元性異形成症分類と多種be関連診断を施行した。 2つの臨床訓練済みの大規模言語モデルを使用し、同一データを用いた高度に調整されたルールベースシステムに匹敵する最高のモデル性能を示した。 バイナリジスプラシア抽出は0.964F1スコア、マルチクラスモデルは0.911F1スコアを達成する。 本手法は,ルールベースアプローチと比較して一般化し,実装が容易である。

関連論文リスト

• Large Language Models-Enabled Digital Twins for Precision Medicine in Rare Gynecological Tumors [0.7550821077310732]
  希少な婦人科腫瘍 (RGTs) は大きな臨床的課題を呈する。 明確なガイドラインの欠如は、至適管理と予後不良につながる。 本研究では,大規模言語モデル(LLM)を用いて,RGTにおける精密医療のためのディジタルツインの構築について検討する。
  論文  参考訳（メタデータ） (2024-08-31T21:14:09Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Hierarchical Classification System for Breast Cancer Specimen Report (HCSBC) -- an end-to-end model for characterizing severity and diagnosis [3.4454444815042735]
  階層型ハイブリッドトランスフォーマーベースパイプライン(59ラベル)の開発 -乳癌検体分類システム(HCSBC)- 我々は、EUHデータに基づいてモデルをトレーニングし、2つの外部データセット(MGHとMayo Clinical)でモデルの性能を評価した。
  論文  参考訳（メタデータ） (2023-11-02T18:37:45Z)
• Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification using Dermoscopy and Clinical Images [7.159532626507458]
  本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。 本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-04T13:19:57Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Detecting ulcerative colitis from colon samples using efficient feature selection and machine learning [1.5484595752241122]
  潰瘍性大腸炎 (UC) は大腸粘膜層の炎症を特徴とする炎症性腸疾患(IBD)の1つである。 大腸サンプル中の32遺伝子の発現値に基づいて,健常者とUC患者を識別するモデルを構築した。 本モデルでは,全活動例を完全検出し,非活動例の平均精度は0.62であった。
  論文  参考訳（メタデータ） (2020-08-04T14:56:45Z)
• 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)

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。