論文の概要: Knowledge Models for Cancer Clinical Practice Guidelines : Construction, Management and Usage in Question Answering
- arxiv url: http://arxiv.org/abs/2407.21053v1
- Date: Tue, 23 Jul 2024 11:26:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 19:28:03.104305
- Title: Knowledge Models for Cancer Clinical Practice Guidelines : Construction, Management and Usage in Question Answering
- Title（参考訳）: がん診療ガイドラインの知識モデル : 質問応答の構築・管理・利用
- Authors: Pralaypati Ta, Bhumika Gupta, Arihant Jain, Sneha Sree C, Keerthi Ram, Mohanasankar Sivaprakasam,
- Abstract要約: 本研究は,がん診療ガイドライン(CPG)から知識モデルを作成するための知識自動モデリングアルゴリズムを提案する。
我々は、知識モデルに問い合わせる能力を研究するための強化知識ベースとして、ガイドライン知識モデルを用いた質問応答(Q&A)フレームワークを作成しました。
このフレームワークは、あるデータソースからの問合せ対に対して評価され、処理アルゴリズムから54.5%の精度、NACN NSCLCガイドラインナレッジモデルの議論部分から81.8%の精度で回答を生成することができる。
- 参考スコア（独自算出の注目度）: 1.8637078358591848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An automated knowledge modeling algorithm for Cancer Clinical Practice Guidelines (CPGs) extracts the knowledge contained in the CPG documents and transforms it into a programmatically interactable, easy-to-update structured model with minimal human intervention. The existing automated algorithms have minimal scope and cannot handle the varying complexity of the knowledge content in the CPGs for different cancer types. This work proposes an improved automated knowledge modeling algorithm to create knowledge models from the National Comprehensive Cancer Network (NCCN) CPGs in Oncology for different cancer types. The proposed algorithm has been evaluated with NCCN CPGs for four different cancer types. We also proposed an algorithm to compare the knowledge models for different versions of a guideline to discover the specific changes introduced in the treatment protocol of a new version. We created a question-answering (Q&A) framework with the guideline knowledge models as the augmented knowledge base to study our ability to query the knowledge models. We compiled a set of 32 question-answer pairs derived from two reliable data sources for the treatment of Non-Small Cell Lung Cancer (NSCLC) to evaluate the Q&A framework. The framework was evaluated against the question-answer pairs from one data source, and it can generate the answers with 54.5% accuracy from the treatment algorithm and 81.8% accuracy from the discussion part of the NCCN NSCLC guideline knowledge model.
- Abstract（参考訳）: がん診療ガイドライン(CPGs)の自動知識モデリングアルゴリズムは、CPG文書に含まれる知識を抽出し、人間の介入を最小限に抑え、プログラム的に対話可能で、簡単に更新可能な構造化モデルに変換する。
既存の自動アルゴリズムは最小限のスコープを持ち、癌の種類に応じてCPGの知識内容の複雑さに対処することができない。
本研究は,がんのタイプ別に,全国包括的癌ネットワーク(NCCN) CPG から知識モデルを作成するための知識自動モデリングアルゴリズムを提案する。
提案アルゴリズムは4種類の癌に対してNCCN CPGを用いて評価されている。
また,異なるバージョンのガイドラインの知識モデルを比較するアルゴリズムを提案し,新しいバージョンの治療プロトコルで導入された特定の変化を発見する。
我々は、知識モデルに問い合わせる能力を研究するための強化知識ベースとして、ガイドライン知識モデルを用いた質問応答(Q&A)フレームワークを作成しました。
我々は,Non-Small Cell Lung Cancer (NSCLC) 治療のための信頼性のある2つのデータソースから抽出した32組の問合せ対をコンパイルし,Q&Aフレームワークの評価を行った。
このフレームワークは、あるデータソースからの問合せ対に対して評価され、処理アルゴリズムから54.5%の精度、NACN NSCLCガイドラインナレッジモデルの議論部分から81.8%の精度で回答を生成することができる。
関連論文リスト
- Uncovering Knowledge Gaps in Radiology Report Generation Models through Knowledge Graphs [18.025481751074214]
我々はReXKGというシステムを導入し,処理されたレポートから構造化された情報を抽出し,放射線学知識グラフを構築する。
我々はAIと人手による放射線学レポートの詳細な比較分析を行い、専門家モデルとジェネラリストモデルの両方のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-08-26T16:28:56Z) - A novel method to compute the contact surface area between an organ and cancer tissue [81.84413479369512]
CSA(contact surface area)とは、腫瘍と臓器の間の接触領域のこと。
我々は,腫瘍と臓器の3次元再構成を頼りに,CSAの正確な客観的評価を行う革新的な方法を提案する。
論文 参考訳（メタデータ） (2024-01-19T14:34:34Z) - Automated Knowledge Modeling for Cancer Clinical Practice Guidelines [1.1083289076967895]
がん診療ガイドライン (CPGs) は, 活発な研究によって生み出された新たな証拠により, 急速に進展する。
現在、CPGは主に、この発展途上の知識を管理するのに不適な文書形式で発行されている。
オンコロジーにおけるNACN CPGから知識を自動的に抽出する手法を提案する。
論文 参考訳（メタデータ） (2023-07-15T18:07:08Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Gene selection from microarray expression data: A Multi-objective PSO
with adaptive K-nearest neighborhood [0.0]
本稿では,遺伝子発現データを用いたヒト癌疾患の分類問題について論じる。
マイクロアレイデータセットを解析し,がん疾患を効果的に分類するための新しい手法を提案する。
論文 参考訳（メタデータ） (2022-05-27T04:22:10Z) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳（メタデータ） (2022-01-09T04:35:55Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳（メタデータ） (2021-10-05T19:14:46Z) - NuCLS: A scalable crowdsourcing, deep learning approach and dataset for
nucleus classification, localization and segmentation [0.0]
ディープラーニングアルゴリズムは、トレーニングと検証のために多数のラベル付きインスタンスを与えられた正確なマッピングを提供することができる。
十分な量の品質ラベルを生成することは 計算病理学において 重要な障壁として現れています
弱いアルゴリズムが生成するアノテーションは、非専門家が生成するアノテーションの精度をいかに向上させるかを示す。
論文 参考訳（メタデータ） (2021-02-18T01:17:17Z) - Hierarchical Deep Learning Classification of Unstructured Pathology
Reports to Automate ICD-O Morphology Grading [0.0]
本稿では,畳み込みニューラルネットワークモデルを用いた階層的深層学習分類手法を提案する。
ICD-O形態素分類のためのフラット・マルチクラスCNNモデルと比較して,階層的深層学習分類法では性能が向上することが実証された。
論文 参考訳（メタデータ） (2020-08-28T12:36:58Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。