Fugu-MT 論文翻訳(概要): Medical Argument Mining: Exploitation of Scarce Data Using NLI Systems

論文の概要: Medical Argument Mining: Exploitation of Scarce Data Using NLI Systems

arxiv url: http://arxiv.org/abs/2506.12823v1
Date: Sun, 15 Jun 2025 12:10:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-17 17:28:46.98143
Title: Medical Argument Mining: Exploitation of Scarce Data Using NLI Systems
Title（参考訳）: 医療論文マイニング:NLIシステムを用いたスカースデータの爆発
Authors: Maitane Urruela, Sergio Martín, Iker De la Iglesia, Ander Barrena,
Abstract要約: 本研究は,臨床テキストから論証的実体を抽出するArgument Miningプロセスを提案する。本研究は, これらの手法の有効性を評価することによって, 今後のツールの基盤となる診断を支援するか, 否定する議論的構造を同定する。
参考スコア（独自算出の注目度）: 0.9849635250118913
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This work presents an Argument Mining process that extracts argumentative entities from clinical texts and identifies their relationships using token classification and Natural Language Inference techniques. Compared to straightforward methods like text classification, this methodology demonstrates superior performance in data-scarce settings. By assessing the effectiveness of these methods in identifying argumentative structures that support or refute possible diagnoses, this research lays the groundwork for future tools that can provide evidence-based justifications for machine-generated clinical conclusions.
Abstract（参考訳）: 本研究は,臨床テキストから論証的実体を抽出し,トークン分類と自然言語推論技術を用いてそれらの関係を同定するArgument Miningプロセスを提案する。テキスト分類のような簡単な手法と比較して、この手法はデータスカース設定において優れた性能を示す。本研究は, 診断支援や反証を行う議論的構造を同定する上で, これらの手法の有効性を評価することにより, マシンによる臨床結果の根拠に基づく正当化を実現するための, 今後のツールの基盤となるものとなる。

関連論文リスト

Preference-Based Abstract Argumentation for Case-Based Reasoning (with Appendix) [9.5382175632919]
ケースベース推論(AA-CBR-Pと呼ぶ)のための参照ベース抽象記述法を提案する。これにより、ユーザーはケースを比較するための複数のアプローチを、これらの比較アプローチよりも好みを指定する順序付けと定義することができる。我々は、実際の医療データセット上で、我々のアプローチが他の解釈可能な機械学習モデルより優れていることを実証的に示す。
論文参考訳（メタデータ） (2024-07-31T18:31:04Z)
Leveraging text data for causal inference using electronic health records [1.4182510510164876]
本稿では,電子健康データによる因果推論を支援するためにテキストデータを活用する統一的なフレームワークを提案する。従来のマッチング分析にテキストデータを組み込むことで、推定処理効果の妥当性を高めることができることを示す。これらの手法は、臨床データの二次解析範囲を、構造化ERHデータに制限された領域にまで広げる可能性があると考えている。
論文参考訳（メタデータ） (2023-06-09T16:06:02Z)
Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-08T09:12:28Z)
Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。臨床文献のコーパスを12種類に分類した。私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文参考訳（メタデータ） (2023-03-23T17:17:46Z)
This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-16T10:12:07Z)
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)
Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文参考訳（メタデータ） (2021-09-28T00:53:34Z)
A Practical Approach towards Causality Mining in Clinical Text using Active Transfer Learning [2.6125458645126907]
因果関係マイニングは、最先端の自然言語処理技術の応用を必要とする活発な研究領域である。この研究は、臨床テキストを因果知識に変換するフレームワークを作成することを目的としている。
論文参考訳（メタデータ） (2020-12-10T06:51:13Z)
A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文参考訳（メタデータ） (2020-09-25T12:01:53Z)
Knowledge-guided Text Structuring in Clinical Trials [0.38073142980733]
本稿では,知識ベースを自動生成する知識誘導型テキスト構造化フレームワークを提案する。実験結果から,本手法は全体の高精度化とリコールが可能であることが示唆された。
論文参考訳（メタデータ） (2019-12-28T01:12:15Z)

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。