Nov, 2022

无监督的临床笔记片段提取、标记和聚类

PDF
TL;DR本文提出一种无监督的文本信息抽取方法，应用于捷克乳腺癌患者的临床记录中，以提取、分类和聚类具有特定临床特征的文本片段，证明提出方法在捷克样本中为构建更复杂的信息抽取和分析工具提供了实用价值。
unsupervised information extractionclinical notessemantically-labelled textual segmentsczech breast cancer patientsanalytical pipelines
发现论文，激发创造
  • 文档级编码的临床概念提取

    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

  • 应用无监督关键词方法于从出院记录中提取出的概念

    在这项研究中，使用临床自然语言处理技术解决了识别和映射标准术语的问题。提出了一种用于提取临床文本中关键概念的 TF-IDF 快捷方法，并使用基于 transformer 的模型设计了两种下游任务，结果表明 SciBERT 模型在结合提出的方法时具有优越性，并为临床笔记的关键短语提取提供了洞察。

    Mar, 2023

  • 探索日本最大的多机构健康记录档案中无结构健康记录的最佳粒度提取摘要

    该论文旨在探讨医学专业自动文本摘要中的不同单位粒度，病历中的概念应该是如何被提取和组合的，研究发现将医学病历划分为更小的单位可以获得更高的文本摘要的准确性。

    Sep, 2022

  • 构建 RadiologyNET：大规模多模态医学数据库的无监督注释

    通过多模态数据源自动标注医学放射照片，利用机器学习技术进行医学诊断和治疗的自动化流程。

    Jul, 2023

  • 二阶段联邦表型分类和患者表征学习

    我们开发了一种基于联邦自然语言处理的方法，能够利用来自不同医院或诊所的临床笔记，改进特定临床任务的质量，并促进整个医疗保健系统的知识进步。这是联邦机器学习在临床自然语言处理中的第一次应用。

    Aug, 2019

  • 半自监督自动 ICD 编码

    本文介绍一种使用神经网络对 Icelandic CTNs 数据集进行半自我监督的数据增强方法，以预测医生对某些疾病的诊断。该方法可以弥补医疗数据稀缺的不足，并证明了机器学习在医学数据分析中的有效性。

    May, 2022

  • 通过自动弱监督分类非结构化临床笔记

    该研究介绍了一种利用机器学习和文本分类方法来自动识别医疗记录中的疾病编码 (ICD) 的框架，而不需要使用任何人工标记文档。

    Jun, 2022

  • 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

  • 利用医疗概念丰富无监督用户嵌入

    本研究提出了一种概念感知的无监督用户嵌入方法，结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念，用于疾病诊断和病人特征研究等领域，实验证明该方法的性能明显优于现有的无监督方法。

    Mar, 2022

  • 使用大型语言模型从医疗肿瘤学记录中提取详细的肿瘤学历史和治疗计划

    使用两节临床进展笔记为对象，设计了详细的标注方案，并评估了三个最近发布的大型语言模型 (GPT-4、GPT-3.5-turbo 和 FLAN-UL2) 对临床进展笔记中肿瘤学等细节信息的零 - shot 提取能力，结果显示 GPT-4 模型在复杂任务上表现最佳，能够从肿瘤学进展笔记中提取重要事实。

    Aug, 2023