利用深度神经网络在癌症临床试验中学习资格

Mar, 2018

利用深度神经网络在癌症临床试验中学习资格

Learning Eligibility in Cancer Clinical Trials using Deep Neural Networks

Aurelia Bustos, Antonio Pertusa

TL;DR本文旨在构建一个自动预测短临床语句是否被视为纳入或排除标准的模型，为此我们使用癌症临床试验协议训练词嵌入，构建了一个标记为合格或不合格的 6M 短文本数据集，并使用深度神经网络对文字分类器进行训练，结果表明，利用深度神经网络的表示学习从临床试验协议中提取医学知识可为医师开方治疗提供帮助。同时，我们还能够识别出一种肿瘤的等效治疗方法。

Abstract

interventional cancer clinical trials are generally too restrictive, and some patients are often excluded on the basis of comorbidity, past or concomitant treatments, or the fact that they are over a certain age. The efficacy and safety of new treatments for patients with these charact

interventional cancer clinical trials exclusion criteria deep neural networks representation learning medical knowledge

发现论文，激发创造

癌症临床试验资格标准的文本分类

通过使用文本分类方法，我们研究了肿瘤试验中常见的七种排除标准，即先前恶性肿瘤、人免疫缺陷病毒、乙型肝炎、丙型肝炎、精神疾病、药物 / 物质滥用和自身免疫性疾病，结果显示自动分类常见排除标准的可行性，并展示了针对临床试验的预训练语言模型在所有标准上取得的最优性能。

Sep, 2023

探索癌症临床试验资格分类器在不同疾病间的泛化能力

本研究旨在评估自然语言处理对临床试验中资格分类的通用性，结果表明在广泛的临床试验中，模型在处理非癌症试验方面表现出色，但对癌症试验中特定资格的处理相对较难，研究还尝试了少样本学习，证明了少量疾病特异性示例可以部分弥补性能差距，此外，研究提供了一个经过注释的资格陈述数据集，以促进临床试验分类的跨疾病通用性的发展。

Mar, 2024

DeepEnroll: 利用深度嵌入和蕴含预测的患者试验匹配

DeepEnroll 是一种跨模态推理学习模型，通过在共享潜在空间中联合对招募标准和病人记录进行编码，以进行匹配推理，并通过数字信息嵌入和蕴含模块来进行推理。在真实世界的数据集上，DeepEnroll 表现优异，平均 F1 分数比最佳基线高 12.4%。

Jan, 2020

基于规则特征和知识引导的卷积神经网络临床文本分类

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

大规模结构化现实世界数据的研究：利用患者级监督的深度学习从临床文本中提取关键肿瘤信息

本文介绍了使用自然语言处理技术和基于深度学习的方法处理医学记录中的实际数据，通过利用医学注册处重点患者信息的导向监督，并结合领域特定的预训练、递归神经网络和分层注意的方法，实现了在医疗系统中具有可伸缩性的实证研究。

Mar, 2022

基于语义感知归纳推理和知识图嵌入的临床试验建议

设计新的临床试验需要做出许多决策，例如定义一个队列和设置研究目标等，因此可以通过对过去临床试验记录的全面挖掘获得基于建议的好处。在这里，我们提出了一种基于临床试验的知识图谱的神经嵌入训练的新型建议方法。我们解决了这个背景下的几个重要研究问题，包括设计临床试验数据的知识图谱（KG），对其进行的各种 KG 嵌入（KGE）方法的有效性，一种新的归纳推理 KGE 的方法，以及其在生成临床试验设计建议中的应用。我们使用了来自 clinicaltrials.gov 的公开可用数据进行研究。结果表明，我们的建议方法达到了 70%-83% 的相关性分数，这是通过与实际临床试验要素的文本相似度进行衡量的，而且最相关的建议可以在列表的前部找到。我们的研究还表明了在使用节点语义进行 KGE 训练方面的潜在改进。

Sep, 2023

卷积神经网络在医学文本分类中的应用

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

LeafAI: 临床队列发现的查询生成器，可与人类程序员媲美

利用深度学习和基于规则的模块生成具有新颖逻辑推理能力的、数据模型非相关性和基于 UMLS（Unified Medical Language System）的数据库查询方法，以帮助临床研究中的受试者筛选。使用 LeafAI 系统的查询结果表明，与人类数据库程序员相比，其找到的适宜受试者占比更高。

Apr, 2023

利用几何深度学习对分层文本进行分类：以临床试验语料库为例

使用几何深度学习方法将临床试验文件表示为图形，使用选择性图形汇集方法提高了分类准确性，最终在一个包含 360K 份临床试验文件的公共数据库上实现了 0.85 的 F1 分数。

Oct, 2021

利用图神经网络嵌入临床代码和文本的多视图联合学习框架

本文提出了一种多视图学习框架，结合 ICD 代码和文本以提高临床机器学习应用的性能，采用图神经网络（GNN）和 Bi-LSTM 处理输入信息，并应用深度典型相关分析（DCCA）来强制实现两个视图的相似表示。实验结果表明，本方法在临床和多样文本应用中都具有良好的性能。

Jan, 2023