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
本文研究了使用卷积神经网络的文本分类的新基准模型,在这些模型中,将文档作为三维张量表示进行输入,从而实现了句子级分析,经实验证明该模型在长文档特别表现良好。
Jan, 2023
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
本研究利用深度神经网络实现一个临床信息提取工具,该工具可以从原始的临床笔记和病理报告中标注事件跨度及其属性,并通过使用时间卷积神经网络和多层感知器来提高性能。
Mar, 2016
本文介绍了一种新的基于 VDCNN 的文本处理体系结构,通过使用 29 个卷积层,仅使用小型卷积和池化操作,该模型的性能得到了提高,并且在多个公共文本分类任务上,相对于现有模型,且在文本处理中使用非常深的卷积神经网络实现了最先进水平。
Jun, 2016
本文通过构建大规模数据集,比较了基于字级别的卷积神经网络与传统模型如词袋、n-gram 及基于词的卷积神经网络和循环神经网络在文本分类方面的表现。结果表明,基于字级别的卷积神经网络能够达到当前领域最佳或竞争性的结果。
Sep, 2015
本文提出了一种名为 TextConvoNet 的基于卷积神经网络的体系结构,不仅可以提取句内 n-gram 特征,还可以捕获输入文本中的句间 n-gram 特征,进而优于现有的文本分类用的机器学习和深度学习模型。
Mar, 2022
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
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
使用预训练字向量对卷积神经网络进行训练,支持 fine-tuning 并结合静态和动态字向量,以提高句子级分类准确率并在多项基准测试中超越现有技术。
Aug, 2014