論文の概要: Ontology-Constrained Generation of Domain-Specific Clinical Summaries
- arxiv url: http://arxiv.org/abs/2411.15666v1
- Date: Sat, 23 Nov 2024 23:05:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-26 14:24:15.600058
- Title: Ontology-Constrained Generation of Domain-Specific Clinical Summaries
- Title(参考訳): オントロジーに制約のある領域特異的な臨床サプライヤーの創製
- Authors: Gaya Mehenni, Amal Zouaq,
- Abstract要約: 我々は、関連性を改善しつつ幻覚を低減するために構造化誘導復号法を用いる。
医療領域に適用すると,健康記録の要約の可能性を示す。
MIMIC-IIIデータセットの評価は、ドメイン適応要約の生成の改善を示す。
- 参考スコア(独自算出の注目度): 2.5782420501870296
- License:
- Abstract: Large Language Models (LLMs) offer promising solutions for text summarization. However, some domains require specific information to be available in the summaries. Generating these domain-adapted summaries is still an open challenge. Similarly, hallucinations in generated content is a major drawback of current approaches, preventing their deployment. This study proposes a novel approach that leverages ontologies to create domain-adapted summaries both structured and unstructured. We employ an ontology-guided constrained decoding process to reduce hallucinations while improving relevance. When applied to the medical domain, our method shows potential in summarizing Electronic Health Records (EHRs) across different specialties, allowing doctors to focus on the most relevant information to their domain. Evaluation on the MIMIC-III dataset demonstrates improvements in generating domain-adapted summaries of clinical notes and hallucination reduction.
- Abstract(参考訳): 大規模言語モデル(LLM)は、テキスト要約のための有望なソリューションを提供する。
しかし、いくつかのドメインは要約で利用可能な特定の情報を必要としている。
これらのドメインに適応した要約を生成することは、まだオープンな課題です。
同様に、生成されたコンテンツの幻覚は、現在のアプローチの大きな欠点であり、そのデプロイメントを妨げている。
本研究では、オントロジーを利用して、構造的および非構造的の両方にドメイン適応的な要約を作成する新しいアプローチを提案する。
オントロジー誘導型制約付き復号法を用いて幻覚の低減と関連性の向上を図る。
医療領域に適用すると, 専門分野の電子健康記録(EHR)を要約し, 医師がそれぞれの領域に最も関連性の高い情報に集中できる可能性が示唆された。
MIMIC-IIIデータセットの評価は、臨床ノートのドメイン適応要約の生成と幻覚減少の改善を示す。
関連論文リスト
- MRGen: Diffusion-based Controllable Data Engine for MRI Segmentation towards Unannotated Modalities [59.61465292965639]
本稿では,医療応用における生成モデルを活用するための新しいパラダイムについて検討する。
本稿では,テキストプロンプトとマスクに条件付き生成を可能にするMRGenという拡散型データエンジンを提案する。
論文 参考訳(メタデータ) (2024-12-04T16:34:22Z) - Domain-specific Guided Summarization for Mental Health Posts [18.754472525614304]
デュアルエンコーダと適応デコーダを備えたガイド付き要約器を提案する。
生成した要約の誤りを正すための編集後修正モデルを提案する。
実験はメンタルヘルスのポスト用に特別に設計されていますが、私たちが開発した方法論は幅広い適用性を提供します。
論文 参考訳(メタデータ) (2024-11-03T08:57:41Z) - RadBARTsum: Domain Specific Adaption of Denoising Sequence-to-Sequence Models for Abstractive Radiology Report Summarization [1.8450534779202723]
本研究では,抽象的放射線学レポート要約のためのドメイン固有かつ容易なBARTモデルの適応であるRadBARTsumを提案する。
本手法は,1)生物医学領域の知識学習を改善するための新しい実体マスキング戦略を用いて,放射線学報告の大規模コーパス上でBARTモデルを再学習すること,2)印象区間を予測するためにFindersとバックグラウンドセクションを用いて要約タスクのモデルを微調整すること,の2つの段階を含む。
論文 参考訳(メタデータ) (2024-06-05T08:43:11Z) - Attribute Structuring Improves LLM-Based Evaluation of Clinical Text Summaries [56.31117605097345]
大規模言語モデル(LLM)は、正確な臨床テキスト要約を生成する可能性を示しているが、根拠付けと評価に関する問題に苦慮している。
本稿では、要約評価プロセスを構成するAttribute Structuring(AS)を用いた一般的な緩和フレームワークについて検討する。
ASは、臨床テキスト要約における人間のアノテーションと自動メトリクスの対応性を一貫して改善する。
論文 参考訳(メタデータ) (2024-03-01T21:59:03Z) - A Survey on Domain Generalization for Medical Image Analysis [9.410880477358942]
MedIAのドメイン一般化は、未知のデータ分散を効果的に一般化し、堅牢に実行することで、ドメインシフトの課題に対処することを目的としている。
医療分野におけるドメインシフトとドメイン一般化の正式な定義を提供し、関連するいくつかの設定について議論する。
データ操作レベル,特徴表現レベル,モデルトレーニングレベルという3つの視点から,最近の手法を要約し,いくつかのアルゴリズムを詳細に提示する。
論文 参考訳(メタデータ) (2024-02-07T17:08:27Z) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳(メタデータ) (2022-08-01T18:47:03Z) - Improving the Factual Accuracy of Abstractive Clinical Text
Summarization using Multi-Objective Optimization [3.977582258550673]
本稿では,知識誘導多目的最適化を用いた臨床テキストの抽象的要約の事実的精度向上のためのフレームワークを提案する。
本研究では,知識誘導多目的最適化を用いた臨床テキストの抽象的要約の事実的精度向上のための枠組みを提案する。
論文 参考訳(メタデータ) (2022-04-02T07:59:28Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2020-07-04T07:56:02Z)
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。