Fugu-MT 論文翻訳(概要): CRNNet: Copy Recurrent Neural Network Structure Network

論文の概要: CRNNet: Copy Recurrent Neural Network Structure Network

arxiv url: http://arxiv.org/abs/2312.10259v1
Date: Fri, 15 Dec 2023 23:19:42 GMT
ステータス: 処理完了
システム内更新日: 2023-12-19 17:36:07.591940
Title: CRNNet: Copy Recurrent Neural Network Structure Network
Title（参考訳）: CRNNet: コピーリカレントニューラルネットワーク構造ネットワーク
Authors: Xiaofan Zhou, Xunzhu Tang
Abstract要約: 本稿では,合併症を検出するための新しい EHR コーディングフレームワークを提案する。提案するコピーモジュールと逆学習戦略により,複雑な疾患を効果的に同定する。
参考スコア（独自算出の注目度）: 1.3295383263113114
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The target of Electronic Health Record (EHR) coding is to find the diagnostic codes according to the EHRs. In previous research, researchers have preferred to do multi-classification on the EHR coding task; most of them encode the EHR first and then process it to get the probability of each code based on the EHR representation. However, the question of complicating diseases is neglected among all these methods. In this paper, we propose a novel EHR coding framework, which is the first attempt at detecting complicating diseases, called Copy Recurrent Neural Network Structure Network (CRNNet). This method refers to the idea of adversarial learning; a Path Generator and a Path Discriminator are designed to more efficiently finish the task of EHR coding. We propose a copy module to detect complicating diseases; by the proposed copy module and the adversarial learning strategy, we identify complicating diseases efficiently. Extensive experiments show that our method achieves a 57.30\% ratio of complicating diseases in predictions, demonstrating the effectiveness of our proposed model. According to the ablation study, the proposed copy mechanism plays a crucial role in detecting complicating diseases.
Abstract（参考訳）: 電子健康記録(EHR)符号化の目的は、EHRに従って診断コードを見つけることである。従来の研究では、研究者はEHRのコーディングタスクで複数の分類をすることを好んでおり、そのほとんどはまずEHRを符号化し、次にEHRの表現に基づいて各コードの確率を得るように処理している。しかし, これらの方法には, 合併症の問題も無視されている。本稿では,CRNNet(Copy Recurrent Neural Network Structure Network)と呼ばれる複雑な疾患を検出するための新しい EHR コーディングフレームワークを提案する。本手法は, 対数学習の考え方を指し, 経路生成器と経路識別器は, EHR符号化のタスクをより効率的に完了するように設計されている。複雑な疾患を検出するためのコピーモジュールを提案し,提案するコピーモジュールと逆学習戦略により,合併症を効率的に同定する。本手法は, 予測における合併症の57.30倍の比率を達成し, 提案手法の有効性を実証する。アブレーション研究によると、提案されたコピー機構は、複雑な疾患を検出する上で重要な役割を果たす。

関連論文リスト

Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文参考訳（メタデータ） (2024-08-29T02:21:11Z)
Neural Population Decoding and Imbalanced Multi-Omic Datasets For Cancer Subtype Diagnosis [0.0]
人口復号化がWTAネットワークの分類性能に顕著な影響を与えていることを示す。 The Cancer Genome Atlasのデータセットを用いて,多眼データからの癌サブタイプ診断の問題にWTAネットワークを適用した。
論文参考訳（メタデータ） (2024-01-06T06:54:58Z)
Copy Recurrent Neural Network Structure Network [0.0]
我々は、CRNNet(Copy Recurrent Neural Network Structure Network)と呼ばれる新しいICDパス生成フレームワークを提案する。 RNNを用いて逐次出力を生成し、コピーモジュールを組み込むことで、合併症の特定を効率的に行う。本手法は, 予測における57.30%の複雑な疾患の比率を達成し, 最先端およびそれ以前のアプローチよりも優れていた。
論文参考訳（メタデータ） (2023-05-22T17:22:37Z)
Kernel-Based Distributed Q-Learning: A Scalable Reinforcement Learning Approach for Dynamic Treatment Regimes [37.06048335758881]
本稿では,動的処理系を生成するための分散Q-ラーニングアルゴリズムを提案する。提案アルゴリズムは従来の線形Q-ラーニングよりも優れており,予測精度と計算コストの両方でよく使用される深層Q-ラーニングよりも優れていることを示す。
論文参考訳（メタデータ） (2023-02-21T04:15:34Z)
Multi-task Balanced and Recalibrated Network for Medical Code Prediction [19.330911490203317]
人間のコーダーは、患者の入院中に生成された臨床文書に標準化された医療コードを割り当てる。本稿では,マルチタスクバランスとリカリデーションニューラルネットワークという新しいニューラルネットワークを提案する。畳み込みブロックをカスケードして高レベルなセマンティック特徴を抽出して再校正集約モジュールを開発する。提案モデルは,実世界の臨床データセットMIMIC-III上での競争ベースラインよりも優れる。
論文参考訳（メタデータ） (2021-09-06T12:58:25Z)
TransICD: Transformer Based Code-wise Attention Model for Explainable ICD Coding [5.273190477622007]
国際疾患分類法 (ICD) は, 医療分野の請求システムにおいて有効かつ重要であることが示されている。現在、ICDコードは手動で臨床メモに割り当てられており、多くのエラーを引き起こす可能性がある。本稿では,文書のトークン間の相互依存を捉えるためにトランスフォーマーベースのアーキテクチャを適用し,コードワイド・アテンション・メカニズムを用いて文書全体のコード固有表現を学習する。
論文参考訳（メタデータ） (2021-03-28T05:34:32Z)
A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文参考訳（メタデータ） (2021-02-26T17:49:58Z)
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)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)
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)
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)

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。