Fugu-MT 論文翻訳(概要): Extraction of Medication and Temporal Relation from Clinical Text using Neural Language Models

論文の概要: Extraction of Medication and Temporal Relation from Clinical Text using Neural Language Models

arxiv url: http://arxiv.org/abs/2310.02229v2
Date: Sun, 8 Oct 2023 21:17:54 GMT
ステータス: 処理完了
システム内更新日: 2023-10-13 01:58:41.451998
Title: Extraction of Medication and Temporal Relation from Clinical Text using Neural Language Models
Title（参考訳）: ニューラルランゲージモデルを用いた臨床テキストからの薬物抽出と時間関係
Authors: Hangyu Tu and Lifeng Han and Goran Nenadic
Abstract要約: textbfMedTemプロジェクトは、BiLSTM-CRFやCNN-BiLSTMなどの先進的な学習構造を使用している。 CNN-BiLSTMは、i2b2-2009 臨床 NER タスクにおいて、精度、リコール、F1 スコアに対して 75.67, 77.83, 78.17 の BiLSTM-CRF モデルにわずかに勝っている。 BERT-CNNモデルは、マクロAvgを使用してP/R/F1の64.48、67.17、65.03の評価スコアも生成した。
参考スコア（独自算出の注目度）: 7.698164945017469
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Clinical texts, represented in electronic medical records (EMRs), contain rich medical information and are essential for disease prediction, personalised information recommendation, clinical decision support, and medication pattern mining and measurement. Relation extractions between medication mentions and temporal information can further help clinicians better understand the patients' treatment history. To evaluate the performances of deep learning (DL) and large language models (LLMs) in medication extraction and temporal relations classification, we carry out an empirical investigation of \textbf{MedTem} project using several advanced learning structures including BiLSTM-CRF and CNN-BiLSTM for a clinical domain named entity recognition (NER), and BERT-CNN for temporal relation extraction (RE), in addition to the exploration of different word embedding techniques. Furthermore, we also designed a set of post-processing roles to generate structured output on medications and the temporal relation. Our experiments show that CNN-BiLSTM slightly wins the BiLSTM-CRF model on the i2b2-2009 clinical NER task yielding 75.67, 77.83, and 78.17 for precision, recall, and F1 scores using Macro Average. BERT-CNN model also produced reasonable evaluation scores 64.48, 67.17, and 65.03 for P/R/F1 using Macro Avg on the temporal relation extraction test set from i2b2-2012 challenges. Code and Tools from MedTem will be hosted at \url{https://github.com/HECTA-UoM/MedTem}
Abstract（参考訳）: 電子カルテ(EMR)で表される臨床テキストは、豊富な医療情報を含み、疾患予測、パーソナライズド情報レコメンデーション、臨床決定支援、薬物パターンマイニングおよび測定に必須である。薬物の言及と時間的情報の間の関係抽出は、臨床医が患者の治療歴をよりよく理解するのに役立つ。薬物抽出および時間的関係分類における深層学習(DL)と大規模言語モデル(LLMs)の性能を評価するため,臨床領域名称認識(NER)のためのBiLSTM-CRFとCNN-BiLSTM、時間的関係抽出(RE)のためのBERT-CNNなどの先進的な学習構造を用いて,異なる単語埋め込み手法の探索に加えて,経験的調査を行った。さらに,医薬品の構造的出力と時間的関係を生成するために,一連の後処理の役割も設計した。以上の結果から,CNN-BiLSTMはi2b2-2009臨床NERの75.67,77.83,78.17でBiLSTM-CRFモデルにわずかに勝っていることがわかった。 BERT-CNNモデルはまた、i2b2-2012の課題から設定した時間的関係抽出テストでマクロAvgを用いてP/R/F1の64.48、67.17、65.03を適度に評価した。 MedTem の Code and Tools は \url{https://github.com/HECTA-UoM/MedTem} でホストされる。

関連論文リスト

Enhancing In-Hospital Mortality Prediction Using Multi-Representational Learning with LLM-Generated Expert Summaries [3.5508427067904864]
ICU患者の院内死亡率(IHM)予測は、時間的介入と効率的な資源配分に重要である。本研究は、構造化された生理データと臨床ノートをLarge Language Model(LLM)によって生成された専門家要約と統合し、IHM予測精度を向上させる。
論文参考訳（メタデータ） (2024-11-25T16:36:38Z)
Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-29T23:19:28Z)
Estimating the severity of dental and oral problems via sentiment classification over clinical reports [0.8287206589886879]
テキストにおける著者の感情を分析することは、医学や歯科など様々な分野において実用的で有用である。 CNN-LSTMとして知られる畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ネットワークアーキテクチャに基づくディープラーニングモデルを開発した。
論文参考訳（メタデータ） (2024-01-17T14:33:13Z)
Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文参考訳（メタデータ） (2023-04-26T14:11:04Z)
Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。複数の臨床データセットに対するTAMLの有効性を示す。
論文参考訳（メタデータ） (2023-03-05T03:54:54Z)
A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
論文参考訳（メタデータ） (2022-08-09T03:49:52Z)
A causal learning framework for the analysis and interpretation of COVID-19 clinical data [7.256237785391623]
ワークフローは、BSLを通じて患者の結果の主な原因を特定する、多段階のアプローチから成り立っている。特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。対象者の85%の結果を3つの特徴のみに基づいて正確に予測する手法を考案した。
論文参考訳（メタデータ） (2021-05-14T15:58:18Z)
Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
論文参考訳（メタデータ） (2020-12-16T08:23:03Z)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)
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)
Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models [20.376912072606412]
本稿では, 難治性てんかんの診断に応用したハイブリッドバイリニア深層学習ネットワークを提案する。診断の精度は、医療症状の重複、様々な経験のレベル、および臨床専門職間の多様性によっても複雑である。
論文参考訳（メタデータ） (2020-01-15T03:22:10Z)

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。