論文の概要: Advancements in eHealth Data Analytics through Natural Language
Processing and Deep Learning
- arxiv url: http://arxiv.org/abs/2401.10850v1
- Date: Fri, 19 Jan 2024 17:51:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 14:55:42.028246
- Title: Advancements in eHealth Data Analytics through Natural Language
Processing and Deep Learning
- Title（参考訳）: 自然言語処理とディープラーニングによるeヘルスデータ分析の進歩
- Authors: Elena-Simona Apostol and Ciprian-Octavian Truic\u{a}
- Abstract要約: この章では、非構造化(画像およびテキスト)eヘルスデータを解析するための、現在で最も高性能なソリューションについて批判的な研究を行っている。
この研究は、eHealthコンテキストにおける現在の自然言語処理とディープラーニング技術の比較も提供する。
- 参考スコア（独自算出の注目度）: 0.614609308117547
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The healthcare environment is commonly referred to as "information-rich" but
also "knowledge poor". Healthcare systems collect huge amounts of data from
various sources: lab reports, medical letters, logs of medical tools or
programs, medical prescriptions, etc. These massive sets of data can provide
great knowledge and information that can improve the medical services, and
overall the healthcare domain, such as disease prediction by analyzing the
patient's symptoms or disease prevention, by facilitating the discovery of
behavioral factors for diseases. Unfortunately, only a relatively small volume
of the textual eHealth data is processed and interpreted, an important factor
being the difficulty in efficiently performing Big Data operations. In the
medical field, detecting domain-specific multi-word terms is a crucial task as
they can define an entire concept with a few words. A term can be defined as a
linguistic structure or a concept, and it is composed of one or more words with
a specific meaning to a domain. All the terms of a domain create its
terminology. This chapter offers a critical study of the current, most
performant solutions for analyzing unstructured (image and textual) eHealth
data. This study also provides a comparison of the current Natural Language
Processing and Deep Learning techniques in the eHealth context. Finally, we
examine and discuss some of the current issues, and we define a set of research
directions in this area.
- Abstract（参考訳）: 医療環境は一般に「情報豊か」であるが、「知識不足」とも呼ばれる。
医療システムは、検査報告、医療手紙、医療ツールやプログラムのログ、処方薬など、さまざまな情報源から大量のデータを収集する。
これらの膨大なデータセットは、医療サービスを改善するための優れた知識と情報を提供することができ、患者の症状や疾患予防を分析して疾患予測のような医療領域全体を、疾患に対する行動要因の発見を容易にする。
残念なことに、テキストのeHealthデータの比較的小さなボリュームのみが処理され、解釈されるため、ビッグデータ操作を効率的に実行するのが困難である。
医学分野では、ドメイン固有の多語単語の検出は、数単語で概念全体を定義できるため、重要なタスクである。
用語は言語構造または概念として定義することができ、ドメインに特定の意味を持つ1つ以上の単語から構成される。
ドメインのすべての用語は、その用語を生み出します。
本章は、非構造化(画像およびテキスト的)なeヘルスデータを分析するための、現在最も高性能なソリューションに関する批判的研究を提供する。
この研究は、eHealthコンテキストにおける現在の自然言語処理とディープラーニング技術の比較も提供する。
最後に,現状の課題について検討し,議論し,この領域における研究の方向性を定義した。
関連論文リスト
- A Survey of Medical Vision-and-Language Applications and Their Techniques [48.268198631277315]
医療ビジョン・アンド・ランゲージモデル(MVLM)は、複雑な医療データを解釈するための自然言語インタフェースを提供する能力から、大きな関心を集めている。
本稿では,MVLMの概要と適用した各種医療課題について概観する。
また、これらのタスクに使用するデータセットについても検討し、標準化された評価指標に基づいて異なるモデルの性能を比較した。
論文 参考訳（メタデータ） (2024-11-19T03:27:05Z) - MediTOD: An English Dialogue Dataset for Medical History Taking with Comprehensive Annotations [23.437292621092823]
本研究は,医学史研究のための英語における医師と患者との対話のデータセットであるMedictoDを紹介する。
医療領域に合わせたアンケートに基づくラベリング手法を考案する。
そして、医療専門家は高品質の包括的なアノテーションでデータセットを作成する。
論文 参考訳（メタデータ） (2024-10-18T06:38:22Z) - A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。
胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。
医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-23T17:55:02Z) - Developing ChatGPT for Biology and Medicine: A Complete Review of
Biomedical Question Answering [25.569980942498347]
ChatGPTは、医療診断、治療レコメンデーション、その他の医療支援の提供において、QA(QA)の戦略的青写真を探っている。
これは、自然言語処理(NLP)とマルチモーダルパラダイムによる医療領域データの取り込みの増加によって達成される。
論文 参考訳（メタデータ） (2024-01-15T07:21:16Z) - PMC-LLaMA: Towards Building Open-source Language Models for Medicine [62.39105735933138]
大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示した。
LLMは、ドメイン固有の知識が不足しているため、医学的応用のような正確性を必要とする領域で苦労している。
PMC-LLaMAと呼ばれる医療応用に特化した強力なオープンソース言語モデルの構築手順について述べる。
論文 参考訳（メタデータ） (2023-04-27T18:29:05Z) - Language Models sounds the Death Knell of Knowledge Graphs [0.0]
ディープラーニングに基づくNLP、特にLarge Language Models(LLM)は広く受け入れられており、多くのアプリケーションで広く使われている。
BioBERTとMed-BERTは医療分野向けに事前訓練された言語モデルである。
本稿では、知識グラフを用いることは、この領域の問題を解決する最善の解決策ではない、と論じる。
論文 参考訳（メタデータ） (2023-01-10T14:20:15Z) - Towards more patient friendly clinical notes through language models and
ontologies [57.51898902864543]
本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。
我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。
本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
論文 参考訳（メタデータ） (2021-12-23T16:11:19Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
中国初のバイオメディカル言語理解評価ベンチマークを提示する。
名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。
本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
論文 参考訳（メタデータ） (2021-06-15T12:25:30Z) - From Witch's Shot to Music Making Bones -- Resources for Medical Laymen
to Technical Language and Vice Versa [2.114676162428423]
オンラインで共有する情報は、私たちのライフスタイルや健康状況に関する直接的または間接的な情報です。
ほとんどの人は医療の専門家ではないので、使用する言語は正確な医学的表現よりも説明力が高いかもしれない。
本報告では,患者フォーラムにおいて,医師と技術表現に注釈を付ける新しいデータセットと,同義語と定義のセットを紹介する。
論文 参考訳（メタデータ） (2020-05-23T08:56:18Z) - Leveraging Big Data Analytics in Healthcare Enhancement: Trends,
Challenges and Opportunities [8.769092306409933]
我々は、医療の5つのサブ分野において、ビッグデータと分析技術の新興の展望を示す。
この論文は、医療におけるビッグデータ分析の採用における、注目すべき応用と課題から締めくくっている。
論文 参考訳（メタデータ） (2020-04-05T06:46:58Z)
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。