論文の概要: Transformer-based classification of user queries for medical consultancy
with respect to expert specialization
- arxiv url: http://arxiv.org/abs/2309.14662v2
- Date: Mon, 2 Oct 2023 19:25:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 07:12:33.362203
- Title: Transformer-based classification of user queries for medical consultancy
with respect to expert specialization
- Title(参考訳): 専門家専門性を考慮したトランスフォーマーによる医療相談用ユーザクエリの分類
- Authors: Dmitry Lyutkin, Andrey Soloviev, Dmitry Zhukov, Denis Pozdnyakov,
Muhammad Shahid Iqbal Malik, Dmitry I. Ignatov
- Abstract要約: 本稿では,RuBERTモデルを用いた医療相談分野におけるユーザからの問い合わせを分類するための革新的な戦略を提案する。
我々は,クエリと特定の医療専門知識の正確な対応を容易にする様々なデータセット上で,事前学習したRuBERTモデルを微調整した。
- 参考スコア(独自算出の注目度): 4.124390946636936
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The need for skilled medical support is growing in the era of digital
healthcare. This research presents an innovative strategy, utilizing the RuBERT
model, for categorizing user inquiries in the field of medical consultation
with a focus on expert specialization. By harnessing the capabilities of
transformers, we fine-tuned the pre-trained RuBERT model on a varied dataset,
which facilitates precise correspondence between queries and particular medical
specialisms. Using a comprehensive dataset, we have demonstrated our approach's
superior performance with an F1-score of over 92%, calculated through both
cross-validation and the traditional split of test and train datasets. Our
approach has shown excellent generalization across medical domains such as
cardiology, neurology and dermatology. This methodology provides practical
benefits by directing users to appropriate specialists for prompt and targeted
medical advice. It also enhances healthcare system efficiency, reduces
practitioner burden, and improves patient care quality. In summary, our
suggested strategy facilitates the attainment of specific medical knowledge,
offering prompt and precise advice within the digital healthcare field.
- Abstract(参考訳): デジタル医療の時代には、熟練した医療支援の必要性が高まっている。
本稿では,RuBERTモデルを用いた医療相談分野におけるユーザ調査の分類と専門家の専門化に焦点を当てた革新的な戦略を提案する。
トランスフォーマーの能力を利用することで,トレーニング済みのrubertモデルをさまざまなデータセットに微調整することで,クエリと特定の医療専門分野との正確な対応を可能にした。
総合的なデータセットを用いて,テストデータセットとトレーニングデータセットの相互評価および従来の分割によって計算した,f1-scoreが92%以上という,当社のアプローチの優れた性能を実証した。
このアプローチは、心臓病、神経学、皮膚科などの医療領域にまたがる優れた一般化を示している。
この方法論は、ユーザに適切な専門家を誘導し、迅速かつターゲットとした医療アドバイスを提供する。
また、医療システムの効率を高め、実践者の負担を軽減し、患者のケア品質を向上させる。
まとめると、提案する戦略は特定の医療知識の獲得を促進し、デジタル医療分野における迅速な正確なアドバイスを提供する。
関連論文リスト
- Can Generalist Foundation Models Outcompete Special-Purpose Tuning? Case
Study in Medicine [89.46836590149883]
本研究は, GPT-4の医学的課題評価における能力について, 専門訓練の欠如による先行研究に基づくものである。
イノベーションを促進することで、より深い専門能力が解放され、GPT-4が医学ベンチマークの先行結果に容易に勝っていることが分かる。
Medpromptを使用すると、GPT-4はMultiMedQAスイートのベンチマークデータセットの9つすべてに対して最先端の結果を得る。
論文 参考訳(メタデータ) (2023-11-28T03:16:12Z) - Extreme Multilabel Classification for Specialist Doctor Recommendation
with Implicit Feedback and Limited Patient Metadata [1.4499463058550681]
レコメンデーションシステム(Recommendation Systems, RS)は、医師紹介の問題に対処するためにしばしば用いられる。
本研究は, 診療紹介に焦点をあて, 新来の患者と相談歴のある患者の両方に対して, 医師の専門職における推薦を予測することを目的としている。
テキストベースの分類タスクで一般的に使用されるExtreme Multilabel Classification (XML)を使用して、利用可能な機能をエンコードし、異なるシナリオを探索します。
論文 参考訳(メタデータ) (2023-08-21T20:23:23Z) - MD-Manifold: A Medical-Distance-Based Representation Learning Approach
for Medical Concept and Patient Representation [6.795388490479779]
医療分析タスクのための医療概念を表現するには、医療領域の知識と事前のデータ情報を統合する必要がある。
MD-Manifoldは,医療概念と患者表現に対する新しいアプローチを提案する。
これには、重要な医療領域の知識と事前のデータ情報を統合するための、新しいデータ拡張アプローチ、コンセプト距離メトリック、および患者と患者のネットワークが含まれる。
論文 参考訳(メタデータ) (2023-04-30T18:58:32Z) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-04-26T01:26:19Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳(メタデータ) (2023-02-11T18:07:11Z) - Retrieve, Reason, and Refine: Generating Accurate and Faithful Patient
Instructions [65.11629300465812]
臨床作業量を削減しつつ,不完全性を回避する客観的な手段を提供する新しい課題を提案する。
Re3Writerは医師の作業パターンを模倣し、医師によって書かれた歴史的なPIから関連する作業経験を最初に取得する。
その後、回収された作業経験を洗練させ、医療知識を推論して有用な情報を抽出する。
論文 参考訳(メタデータ) (2022-10-23T16:34:39Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - Knowledge-Aware Neural Networks for Medical Forum Question
Classification [13.22396257705293]
医療知識を意識したBERTベースモデル(MedBERT)を開発した。
医療フォーラム質問分類(MFQC)タスクのための多ラベルデータセットも提供します。
論文 参考訳(メタデータ) (2021-09-27T15:57:21Z) - 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) - Clinical Recommender System: Predicting Medical Specialty Diagnostic
Choices with Neural Network Ensembles [6.015709234901588]
本稿では,患者の最新の臨床記録に基づいて,必要な診断手順のセットを推奨するデータ駆動モデルを提案する。
これにより、医療システムは、患者の初期医療専門性診断ワークアップへのタイムリーなアクセスを拡大できる可能性がある。
論文 参考訳(メタデータ) (2020-07-23T17:50:15Z) - Learning medical triage from clinicians using Deep Q-Learning [0.3111424566471944]
臨床用ウィグレットを用いたトリアージ患者に対するDeep Reinforcement Learningアプローチを提案する。
このデータセットは1374個の臨床ヴィグネットで構成され、実際の症例を表すために医師によって作成された。
このアプローチは人間のパフォーマンスと同等であり、94%のケースで安全なトリアージ決定が得られ、85%のケースで専門家の判断と一致している。
論文 参考訳(メタデータ) (2020-03-28T16:07:41Z)
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。