論文の概要: Causal Tree Extraction from Medical Case Reports: A Novel Task for Experts-like Text Comprehension

• arxiv url: http://arxiv.org/abs/2503.01302v1
• Date: Mon, 03 Mar 2025 08:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:20:20.814322
• Title: Causal Tree Extraction from Medical Case Reports: A Novel Task for Experts-like Text Comprehension
• Title（参考訳）: 医療事例報告からの因果樹抽出 : 専門家ライクテキスト理解のための新しい課題
• Authors: Sakiko Yahata, Zhen Wan, Fei Cheng, Sadao Kurohashi, Hisahiko Sato, Ryozo Nagai,
• Abstract要約: 症例報告を受信し,一次疾患を根とする因果樹を生成する新しい課題である因果樹抽出(CTE)を提案する。 CTEは、人間の評価において基準線を20.2ポイント上回り、臨床医の嗜好を反映した評価指標を導入している。
• 参考スコア（独自算出の注目度）: 26.95911055870084
• License:
• Abstract: Extracting causal relationships from a medical case report is essential for comprehending the case, particularly its diagnostic process. Since the diagnostic process is regarded as a bottom-up inference, causal relationships in cases naturally form a multi-layered tree structure. The existing tasks, such as medical relation extraction, are insufficient for capturing the causal relationships of an entire case, as they treat all relations equally without considering the hierarchical structure inherent in the diagnostic process. Thus, we propose a novel task, Causal Tree Extraction (CTE), which receives a case report and generates a causal tree with the primary disease as the root, providing an intuitive understanding of a case's diagnostic process. Subsequently, we construct a Japanese case report CTE dataset, J-Casemap, propose a generation-based CTE method that outperforms the baseline by 20.2 points in the human evaluation, and introduce evaluation metrics that reflect clinician preferences. Further experiments also show that J-Casemap enhances the performance of solving other medical tasks, such as question answering.
• Abstract（参考訳）: 医療報告から因果関係を抽出することは,特に診断過程の理解に不可欠である。 診断過程はボトムアップ推論と見なされるため、ケース内の因果関係は自然に多層木構造を形成する。 医療関係抽出などの既存の課題は、診断過程に固有の階層構造を考慮せずに全ての関係を平等に扱うため、ケース全体の因果関係を捉えるには不十分である。 そこで本研究では, 症例報告を受信し, 一次疾患を根とする因果木を発生させる新たなタスクである因果木抽出(CTE)を提案し, 症例の診断過程を直感的に理解する。 その後,日本の事例報告CTEデータセットであるJ-Casemapを構築し,ヒト評価において基準値の20.2ポイントを上回り,臨床医の好みを反映した評価指標を導入する世代ベースのCTE手法を提案する。 さらなる実験により、J-Casemapは質問応答などの他の医療課題の解決性能を高めることが示されている。

関連論文リスト

• Diagnostic Reasoning in Natural Language: Computational Model and Application [68.47402386668846]
  言語基底タスク(NL-DAR)の文脈における診断誘導推論(DAR)について検討する。 パール構造因果モデルに基づくNL-DARの新しいモデリングフレームワークを提案する。 得られたデータセットを用いて,NL-DARにおける人間の意思決定過程を解析する。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• Rethinking Radiology Report Generation via Causal Inspired Counterfactual Augmentation [11.266364967223556]
  放射線医学報告生成(RRG)は、生体医学分野の視覚・言語相互作用として注目されている。 従来の言語生成タスクのイデオロギーは、レポートとして高い可読性を持つ段落を生成することを目的として、従来の言語生成タスクのイデオロギーを継承した。 RRGの特定の性質である病気間の独立性は無視され、偏りのあるデータ分布によって引き起こされる病気の共起によってモデルが混乱する結果となった。
  論文  参考訳（メタデータ） (2023-11-22T10:55:36Z)
• Jointly Extracting Interventions, Outcomes, and Findings from RCT Reports with LLMs [21.868871974136884]
  本研究では,命令調整型大規模言語モデルに基づくテキスト・テキスト・モデルの提案と評価を行う。 我々は,2022年中頃に公開されたRCTのコレクションにモデルを適用し,構造化された結果の検索可能なデータベースをリリースする。
  論文  参考訳（メタデータ） (2023-05-05T16:02:06Z)
• Cross-Modal Causal Intervention for Medical Report Generation [109.83549148448469]
  医療報告生成(MRG)は、コンピュータ支援診断と治療指導に不可欠である。 視覚的および言語的バイアスによって引き起こされる画像テキストデータ内の素早い相関のため、病変領域を確実に記述した正確なレポートを生成することは困難である。 本稿では,視覚分解モジュール (VDM) と言語分解モジュール (LDM) からなるMRGのための新しい視覚言語因果干渉 (VLCI) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Supporting Medical Relation Extraction via Causality-Pruned Semantic Dependency Forest [8.73855139557187]
  本稿では,因果的説明理論に基づく医用テキストからの意味的・統語的情報をモデル化する手法を提案する。 我々はセマンティック埋め込み1-best依存木からなる依存林を生成する。 タスク固有の因果説明器を用いて依存林をプルークし、それを設計したグラフ畳み込みネットワークに入力し、対応する表現を学習する。
  論文  参考訳（メタデータ） (2022-08-29T10:17:47Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• Fine-Grained Causality Extraction From Natural Language Requirements Using Recursive Neural Tensor Networks [4.3809778768125875]
  本稿では,再帰的ニューラルネットワークに基づく微粒な因果抽出器を提案する。 我々のアプローチは、自然言語で書かれた因果文の合成を回復することができる。
  論文  参考訳（メタデータ） (2021-07-21T09:52:10Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)
• Show, Describe and Conclude: On Exploiting the Structure Information of Chest X-Ray Reports [5.6070625920019825]
  胸部X線像(CXR)は臨床検診や診断に一般的に用いられる。 レポートのセクションと内部の複雑な構造は、自動レポート生成に大きな課題をもたらします。 本稿では,CXRイメージングレポートを生成するために,レポートセクション間の構造情報を利用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-26T02:29:20Z)
• Towards Causality-Aware Inferring: A Sequential Discriminative Approach for Medical Diagnosis [142.90770786804507]
  医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。 この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。 本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
  論文  参考訳（メタデータ） (2020-03-14T02:05:54Z)

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。