研究应用深度卷积神经网络自动对临床文本进行分类,并证明该方法在自然语言处理任务中比多种广泛应用的方法提高约 15% 的准确性。
Apr, 2017
本文提出一种新方法,将基于规则和基于知识引导的深度学习技术相结合,应用在医学自然语言处理中,以实现疾病分类,该方法包括识别触发短语、使用触发短语预测类别和使用词嵌入和 UMLS 实体嵌入来训练卷积神经网络,实验结果表明该方法优于现有技术水平。
Jul, 2018
本文旨在探讨在医疗临床记事本上提取关系的问题。作者提出使用卷积神经网络自动学习特征,减少对人工特征工程的依赖,并针对 i2b2-2010 临床关系提取挑战数据集进行了实证研究。结果表明,卷积神经网络可以是在临床文本中提取关系的良好模型,而且不需要专家们定义的高质量特征。
Jun, 2016
本文提出了一种基于卷积神经网络的临床智能决策方法,可以自动从电子病历中提取高级语义信息,然后进行自动诊断,结果表明这种方法是可行和有效的。
Apr, 2018
本研究探讨了使用神经网络和迁移学习来学习临床笔记表示以预测临床事件的有效性,并表明了这种方法对于小型数据集表现良好。
May, 2017
本研究提出了一种使用多池化操作的卷积神经网络(CNN)架构,并探索了带有类别级别约束矩阵约束的损失函数,用于医疗关系分类在临床记录中,实验表明这些模型在不使用任何外部特征的情况下优于以前的单模型方法,并且我们最佳模型与现有的集成方法竞争力强。
May, 2018
本研究提出一个基于领域特定词汇上下文嵌入的临床问题、治疗和测试自动标注临床笔记的模型,使用上下文嵌入模型训练一个双向 LSTM-CRF 模型用于临床概念提取,并在 I2B2 2010 挑战数据集上进行了测试,最终性能优于现有模型 3.4%。
Oct, 2018
本文针对采用电子病历的诊疗信息,提出卷积神经网络模型,从非结构化文本中丝毫不受噪声和复杂性影响地预测出患者的出院诊断,精确率和 F1 分数的性能均优于四个强基线模型,较常见疾病的预测成功率提高了至少 12.7% ,从而为医生诊断判断提供决策支持。
Dec, 2017
通过将抽取的概念作为特征或标签,加以利用或学习,以期提高文档级别的临床编码任务的性能,但结果未取得较大的性能提升,探讨可能的原因和未来的研究方向。
Jun, 2019
本文介绍了一种基于卷积神经网络的系统,用于提取科学文章中的关系,其基于人工神经网络进行关系提取的方法近期得到了研究。该模型在 SemEval-2017 任务 10(ScienceIE)中的科学文章关系提取(子任务 C)中排名第一。