Jun, 2019

从临床对话中提取症状及其状态

PDF
TL;DR该研究开发了两种新型深度学习模型，基于医疗文本数据集，旨在从临床会话中提取症状信息，针对模型性能进行全面评估，为医疗提供辅助应用方向。
clinical conversationssymptom extractiondeep learningmedical scribesperformance evaluation
发现论文，激发创造
  • 基于快速原型设计的护士病人症状监测对话理解系统

    本文旨在通过构建人 - 人对话数据集来快速搭建一种对话理解系统，从而实现对医院对话的深度理解，更好地进行病症筛查和分流。

    Mar, 2019

  • 口语文本中的实体识别

    我们研究了基于 BERT 模型的多种训练策略，旨在从口语化文本中识别出医疗领域的症状，并通过一系列实验发现了与这些训练策略相关的模型行为模式，提出了有效识别口语化文本中实体的训练策略设计原则。

    Jan, 2024

  • 对西班牙临床文本进行症状识别的精调大型语言模型

    通过使用大规模语言模型与数据结合，本研究参与了一个在西班牙医学文档中检测症状、体征和发现的任务，旨在准确识别临床报告中的症状，并在医疗保健、生物医学自然语言处理领域发挥重要作用，为临床决策支持系统的开发和医疗专业人员的诊断和治疗规划提供帮助。

    Jan, 2024

  • KNSE: 一种知识感知的自然语言推理框架，用于对话症状状态识别

    针对医学对话中的症状诊断问题，本文提出了一种基于 KNSE 模型的症状状态识别 (SSR) 框架，通过将 SSR 作为自然语言推理任务进行建模，并利用 BERT 模型对知识、猜测和意见进行编码，然后通过模块进行预测，实现了更好的定位和追踪症状状态，从而提高了症状状态识别的性能。基于中文医学对话数据集的初步实验表明，KNSE 模型在跨疾病和跨症状情况下优于之前的基准模型。

    May, 2023

  • 利用上下文临床 BERT 嵌入理解患者投诉特征

    本文介绍了一种基于 Word2Vec 和 BERT 进行预处理及 LDA 算法进行分类的方法，用于通过临床对话应用程序检测广泛用户提出的主体实体的特征，包括症状、发作时间和严重性等，并在多标签分类问题中对处理后的编码进行组合，实现了 40-50% 的诊断准确度改进。

    Feb, 2020

  • MedFilter: 结合语篇结构和本体知识，提高从医患对话中提取任务相关话语的效果

    本文介绍了一种新的建模方法 MedFilter，以解决从医患对话中提取相关信息的任务。该方法有效提高了识别和分类任务相关话语的性能，并在下游的信息提取任务中取得了显著的改进。

    Oct, 2020

  • 基于卷积神经网络的临床信息提取

    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

  • 面向中文临床文本的医疗信息标注和提取统一框架

    该研究提供了一个医学信息提取的工程框架，其中包括医疗实体识别、关系提取和属性提取。通过深度学习技术和注释语料库，该系统可以高准确率地提取医学实体、关系和属性。

    Mar, 2022

  • 构建临床自然语言处理任务的分层注释：进展笔记理解

    该研究介绍了一个分层注释架构，通过三个阶段来解决临床文本理解、临床推理和摘要等问题，从而创造出一个基于公开可用的日常记录数据集的注释语料库，以训练和评估未来的 NLP 模型。

    Apr, 2022

  • 使用大型语言模型生成医学准确的患者 - 医生对话摘要：一种多阶段方法

    本研究使用 GPT-3 模型，将医学对话摘要问题离散成多个对话理解任务，并动态构建少样本提示进行实验，开发了基于 GPT 的度量标准，评估任务性能，经过研究评价证实，此方法生成的摘要临床准确性优于基准方法。

    May, 2023