論文の概要: A Knowledge-Enhanced Disease Diagnosis Method Based on Prompt Learning and BERT Integration
- arxiv url: http://arxiv.org/abs/2409.10403v1
- Date: Mon, 16 Sep 2024 15:34:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 15:00:57.275914
- Title: A Knowledge-Enhanced Disease Diagnosis Method Based on Prompt Learning and BERT Integration
- Title（参考訳）: Prompt LearningとBERT統合に基づく知識強化型疾患診断法
- Authors: Zhang Zheng,
- Abstract要約: 本稿では,素早い学習枠組みに基づく知識強調型疾患診断手法を提案する。
本手法は、臨床症例に関連する外部知識グラフから構造化知識を検索し、それをエンコードし、プロンプトテンプレートに注入することで、言語モデルのタスクに対する理解と推論能力を高める。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a knowledge-enhanced disease diagnosis method based on a prompt learning framework. The method retrieves structured knowledge from external knowledge graphs related to clinical cases, encodes it, and injects it into the prompt templates to enhance the language model's understanding and reasoning capabilities for the task.We conducted experiments on three public datasets: CHIP-CTC, IMCS-V2-NER, and KUAKE-QTR. The results show that the proposed method significantly outperforms existing models across multiple evaluation metrics, with an F1 score improvement of 2.4% on the CHIP-CTC dataset, 3.1% on the IMCS-V2-NER dataset,and 4.2% on the KUAKE-QTR dataset. Additionally,ablation studies confirmed the critical role of the knowledge injection module,as the removal of this module resulted in a significant drop in F1 score. The experimental results demonstrate that the proposed method not only effectively improves the accuracy of disease diagnosis but also enhances the interpretability of the predictions, providing more reliable support and evidence for clinical diagnosis.
- Abstract（参考訳）: 本稿では,素早い学習枠組みに基づく知識強調型疾患診断手法を提案する。
本手法は, 臨床症例に関連する外部知識グラフから構造化知識を抽出し, エンコードし, 即時テンプレートに注入することで, 言語モデルの理解・推論能力を高める。
提案手法は,CHIP-CTCデータセットではF1スコアが2.4%,IMCS-V2-NERデータセットでは3.1%,KUAKE-QTRデータセットでは4.2%向上した。
さらに,本モジュールの除去はF1スコアの低下を招いたため,知識注入モジュールの重要性が確認された。
提案手法は, 疾患診断の精度を効果的に向上するだけでなく, 予測の解釈可能性を高め, より信頼性の高い支援と臨床診断の証拠を提供することを示す。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - Artificial Intelligence in Extracting Diagnostic Data from Dental Records [6.132077347366551]
本研究は, 未構造化テキストから診断情報を抽出することにより, 歯科記録に欠落する構造データの問題に対処する。
我々は、GPT-4を利用した高度なAIおよびNLP手法を用いて、RoBERTaモデルの微調整のための合成ノートを生成する。
2つのデータセットからランダムに選択した120個の臨床ノートを用いてモデルの評価を行い,診断精度の向上を実証した。
論文 参考訳（メタデータ） (2024-07-23T04:05:48Z) - Ensuring Ground Truth Accuracy in Healthcare with the EVINCE framework [2.5200794639628032]
機械学習モデルによる誤ったラベル付きデータの臨床実践への伝播は容認できない。
本稿では,1)診断精度の向上を目的としたEVINCEと,2)誤診の修正とトレーニングデータエラーの最小化を目的としたシステムを提案する。
論文 参考訳（メタデータ） (2024-05-20T18:26:36Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - 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) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳（メタデータ） (2023-06-01T16:23:47Z) - FineEHR: Refine Clinical Note Representations to Improve Mortality
Prediction [3.9026461169566673]
大規模な電子健康記録は、臨床テキストとバイタルサインデータの豊富な機械学習モデルを提供する。
臨床ノート分析のための高度な自然言語処理(NLP)アルゴリズムの出現にもかかわらず、生臨床データに存在する複雑なテキスト構造とノイズは重大な課題となっている。
本稿では,2つの表現学習技術,すなわちメートル法学習と微調整技術を用いて,臨床ノートの埋め込みを洗練させるシステムFINEEHRを提案する。
論文 参考訳（メタデータ） (2023-04-24T02:42:52Z) - 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) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - A novel method for Causal Structure Discovery from EHR data, a
demonstration on type-2 diabetes mellitus [3.8171820752218997]
本稿では,新しいデータ変換手法と新しい因果構造探索アルゴリズムを提案する。
提案手法を2型糖尿病に適用した。
論文 参考訳（メタデータ） (2020-11-11T00:50:04Z)
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。