Fugu-MT 論文翻訳(概要): Clinical Reasoning over Tabular Data and Text with Bayesian Networks

論文の概要: Clinical Reasoning over Tabular Data and Text with Bayesian Networks

arxiv url: http://arxiv.org/abs/2403.09481v1
Date: Thu, 14 Mar 2024 15:25:23 GMT
ステータス: 処理完了
システム内更新日: 2024-03-15 19:57:52.450227
Title: Clinical Reasoning over Tabular Data and Text with Bayesian Networks
Title（参考訳）: ベイジアンネットワークを用いた語彙データとテキストによる臨床推論
Authors: Paloma Rabaey, Johannes Deleu, Stefan Heytens, Thomas Demeester,
Abstract要約: 本稿では,ベイジアンネットワークをニューラルテキスト表現で拡張するための戦略を比較検討する。プライマリ・ケア・ユース・ケース(肺炎の診断)のシミュレーションの結果を概説し,より広範な臨床状況で考察した。
参考スコア（独自算出の注目度）: 10.44966984792986
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bayesian networks are well-suited for clinical reasoning on tabular data, but are less compatible with natural language data, for which neural networks provide a successful framework. This paper compares and discusses strategies to augment Bayesian networks with neural text representations, both in a generative and discriminative manner. This is illustrated with simulation results for a primary care use case (diagnosis of pneumonia) and discussed in a broader clinical context.
Abstract（参考訳）: ベイジアンネットワークは、表形式のデータに対する臨床推論には適しているが、ニューラルネットワークが成功したフレームワークを提供する自然言語データとの互換性が低い。本稿では,ベイジアンネットワークとニューラルテキスト表現を生成的・識別的に比較検討する。本研究は, プライマリ・ケア・ユースケース(肺炎の診断)のシミュレーション結果と, より広い臨床文脈で考察した。

関連論文リスト

Effective Subset Selection Through The Lens of Neural Network Pruning [31.43307762723943]
注釈付きデータを賢明に選択することが重要であり、これは部分集合選択問題として知られている。より広範に研究されているサブセット選択とニューラルネットワークプルーニングの関係について検討する。ニューラルネットワークの特徴のノルム基準を利用して、サブセット選択法を改善することを提案する。
論文参考訳（メタデータ） (2024-06-03T08:12:32Z)
Tabular Data: Is Attention All You Need? [23.787352248749382]
本稿では、ニューラルネットワークと、構造データ上の勾配ブースト決定木を比較した大規模な実証的研究を紹介する。これまでの研究とは対照的に、ニューラルネットワークは決定木と競合することを示している。
論文参考訳（メタデータ） (2024-02-06T12:59:02Z)
A Multi-View Joint Learning Framework for Embedding Clinical Codes and Text Using Graph Neural Networks [23.06795121693656]
我々は,テキストの可用性と前方性,およびICDコードの性能向上を両立させるため,コードとテキストから学習するフレームワークを提案する。我々のアプローチでは、ICDコードを処理するグラフニューラルネットワーク(GNN)と、テキストを処理するBi-LSTMを用いています。計画された外科手術用テキストを用いた実験では,BERTモデルが臨床データに微調整されたモデルよりも優れていた。
論文参考訳（メタデータ） (2023-01-27T09:19:03Z)
Graph-Augmented Cyclic Learning Framework for Similarity Estimation of Medical Clinical Notes [6.891426146645747]
臨床領域における類似度推定のためのグラフ強化循環学習フレームワークを提案する。このフレームワークは最先端のバックボーン言語モデルに便利に実装でき、コトレーニングを通じてドメイン知識を活用することでパフォーマンスを向上させることができる。本稿では,GCNとコトレーニングフレームワークにおけるドメイン知識の導入の成功を,それぞれ16.3%,27.9%の改善により報告する。
論文参考訳（メタデータ） (2022-08-19T16:34:41Z)
Cross-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
論文参考訳（メタデータ） (2022-08-03T08:33:21Z)
White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文参考訳（メタデータ） (2022-07-06T02:03:28Z)
Transfer Learning with Deep Tabular Models [66.67017691983182]
上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
論文参考訳（メタデータ） (2022-06-30T14:24:32Z)
Exposing and addressing the fragility of neural networks in digital pathology [0.0]
textttStrongAugmentは、大規模な異種病理組織学的データを用いて評価される。 textttStrongAugmentでトレーニングされたニューラルネットワークは、すべてのデータセットで同様のパフォーマンスを維持している。
論文参考訳（メタデータ） (2022-06-30T13:25:34Z)
Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文参考訳（メタデータ） (2021-08-02T10:42:52Z)
FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
論文参考訳（メタデータ） (2021-06-24T15:38:34Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。