論文の概要: Liver Cancer Knowledge Graph Construction based on dynamic entity replacement and masking strategies RoBERTa-BiLSTM-CRF model

• arxiv url: http://arxiv.org/abs/2410.18090v1
• Date: Tue, 08 Oct 2024 07:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 05:40:32.920241
• Title: Liver Cancer Knowledge Graph Construction based on dynamic entity replacement and masking strategies RoBERTa-BiLSTM-CRF model
• Title（参考訳）: RoBERTa-BiLSTM-CRFモデルを用いた肝癌知識グラフの構築
• Authors: YiChi Zhang, HaiLing Wang, YongBin Gao, XiaoJun Hu, YingFang Fan, ZhiJun Fang,
• Abstract要約: 肝癌は本邦で5番目に多い悪性腫瘍であり,2番目に死亡率が高い。 早期診断は極めて重要であり,早期に肝癌を診断する必要がある。
• 参考スコア（独自算出の注目度）: 12.467967838229452
• License:
• Abstract: Background: Liver cancer ranks as the fifth most common malignant tumor and the second most fatal in our country. Early diagnosis is crucial, necessitating that physicians identify liver cancer in patients at the earliest possible stage. However, the diagnostic process is complex and demanding. Physicians must analyze a broad spectrum of patient data, encompassing physical condition, symptoms, medical history, and results from various examinations and tests, recorded in both structured and unstructured medical formats. This results in a significant workload for healthcare professionals. In response, integrating knowledge graph technology to develop a liver cancer knowledge graph-assisted diagnosis and treatment system aligns with national efforts toward smart healthcare. Such a system promises to mitigate the challenges faced by physicians in diagnosing and treating liver cancer. Methods: This paper addresses the major challenges in building a knowledge graph for hepatocellular carcinoma diagnosis, such as the discrepancy between public data sources and real electronic medical records, the effective integration of which remains a key issue. The knowledge graph construction process consists of six steps: conceptual layer design, data preprocessing, entity identification, entity normalization, knowledge fusion, and graph visualization. A novel Dynamic Entity Replacement and Masking Strategy (DERM) for named entity recognition is proposed. Results: A knowledge graph for liver cancer was established, including 7 entity types such as disease, symptom, and constitution, containing 1495 entities. The recognition accuracy of the model was 93.23%, the recall was 94.69%, and the F1 score was 93.96%.
• Abstract（参考訳）: 背景:肝癌は本邦で5番目に多い悪性腫瘍であり,2番目に死亡率が高い。 早期診断は極めて重要であり,早期に肝癌を診断する必要がある。 しかし、診断プロセスは複雑で必要である。 医師は、身体状態、症状、医療史、および構造化および非構造化の医療形式の両方で記録された様々な検査および試験の結果を含む、幅広い患者のデータを分析する必要がある。 この結果、医療従事者にとって大きな負荷がかかることになる。 これに対し,肝癌知識グラフを用いた診断・治療システム開発のための知識グラフ技術の統合は,スマートヘルスケアへの全国的取り組みと一致している。 このようなシステムは、肝がんの診断と治療において医師が直面する課題を軽減することを約束する。 方法: 本論文は, 肝細胞癌診断のための知識グラフを構築する上での課題である。 知識グラフ構築プロセスは、概念層設計、データ前処理、エンティティ識別、エンティティ正規化、知識融合、グラフ可視化の6つのステップから構成される。 名前付きエンティティ認識のための新しいDynamic Entity Replacement and Masking Strategy (DERM)を提案する。 結果: 疾患, 症状, 構成など7つの実体型を含む肝癌の知識グラフが1495個の実体を含む。 このモデルの認識精度は93.23%、リコール率は94.69%、F1スコアは93.96%であった。

関連論文リスト

• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• Expanding the Medical Decathlon dataset: segmentation of colon and colorectal cancer from computed tomography images [0.0]
  大腸癌は西半球で3番目に多いがんである。 CTによる大腸癌と大腸癌の分節化は,医学における緊急の課題である。 本稿では,分類アルゴリズムの品質向上のために,大腸癌マークアップを用いたメディカルデスロンデータセットの拡張を提案する。
  論文  参考訳（メタデータ） (2024-07-31T10:36:41Z)
• Exploring Explainable AI Techniques for Improved Interpretability in Lung and Colon Cancer Classification [0.0]
  肺がんと大腸がんは世界中で深刻な健康上の問題であり、死亡リスクを減らすためには早期かつ正確な診断が必要である。 組織学は依然として金の標準であり続けているが、サーバ間のミスには時間がかかり、脆弱である。 近年のディープラーニングの進歩は、医療画像解析への応用への関心を生んでいる。
  論文  参考訳（メタデータ） (2024-05-07T18:49:34Z)
• Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network [37.931408083443074]
  Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。 PLANは95%と96%の患者レベルの感度と特異性を達成している。 造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-17T06:21:45Z)
• 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)
• Automated Huntington's Disease Prognosis via Biomedical Signals and Shallow Machine Learning [0.0]
  心電図, 心電図, 機能的近赤外分光データを用いて, 患者27名, コントロール36名, 不明6名のクリニックで収集した既製認定データセットを用いて検討した。 最大精度はスケールアウトしたExtremely Randomized Treesアルゴリズムにより達成され、受信者特性0.963の曲線下と91.353%の精度で達成された。
  論文  参考訳（メタデータ） (2023-02-04T02:20:46Z)
• 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)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。