Mar, 2023

利用蜜蜂算法优化深度学习模型参数，提高医学文本分类效果

PDF
TL;DR本文提出了使用 Bees Algorithm 算法获取深度学习模型最优参数的机制并进行实验，得出在医学文本分类方面，LSTM 结合 Bees Algorithm 获得的最高准确率为 99.63％，而使用 AraBERT 在阿拉伯数据集上的准确率最高为 88％.
bees algorithmdeep learning modelaccuracymedical textlstm
发现论文，激发创造
  • 基于人工蜂群算法优化的深度卷积神经网络在生物医学成像中的应用

    提出了一种名为 Chimera Algorithm 的新型混合神经进化算法，用于生成从头开始的模型并优化前期给定的架构，以更好地适应任务，该算法在两个自然图像和医疗图像数据集上验证，并且超过了 Transfer Learning 模型的性能。

    Feb, 2024

  • 基于大脑风暴优化的群体学习用于糖尿病视网膜病变图像分类

    本研究将脑风暴优化算法集成到蜂群学习框架中，名为 BSO-SL。该方法在医疗领域中应用深度学习技术，通过蜂群学习实现医疗图像分类任务的隐私保护及模型效果的提升。实验证明了该方法的有效性。

    Apr, 2024

  • 计算机视觉用于自动蜜蜂计数应用的方法

    通过计算机视觉技术对蜜蜂群的健康状态进行监测，本研究比较了三种自动蜜蜂计数方法，并发现基于 ResNet-50 卷积神经网络分类器的算法在 BUT1 和 BUT2 数据集上分别达到了 87% 和 93% 的准确率。

    Jun, 2024

  • HoneyBee: 用基础嵌入模型创建可扩展的多模态肿瘤学数据集的模块化框架

    为了解决医学数据的复杂性和异质性所带来的挑战，我们引入了 HoneyBee，一个可扩展的模块化框架，用于构建多模态肿瘤学数据集，通过使用基础模型生成代表性嵌入。该框架整合了包括临床记录、影像数据和患者结果在内的各种数据模态，利用数据预处理技术和基于 Transformer 的架构生成能够捕捉原始医学数据中的重要特征和关系的嵌入。生成的嵌入使用 Hugging Face datasets 和 PyTorch dataloaders 以结构化格式存储，以方便访问。矢量数据库可实现高效的查询和检索，适用于机器学习应用。我们通过评估嵌入的质量和代表性来证明 HoneyBee 的有效性。该框架旨在可扩展到其他医学领域，并旨在通过提供高质量的、机器学习可用的数据集来加速肿瘤学研究。HoneyBee 是一个持续开源的项目，代码、数据集和模型可在项目代码库中获取。

    May, 2024

  • 开发基于人工智能的蜜蜂健康评估综合系统

    蜜蜂在全球食品供应中起着大约三分之一的授粉作用，但由于多种因素，包括杀虫剂和害虫，蜜蜂群数量在过去十年中惊人地下降了近 40%。本研究通过引入综合系统，包括蜜蜂目标检测和健康评估，综合利用视觉和音频信号来分析蜜蜂行为，并开发了一种自适应关注多模态神经网络（AMNN）来准确评估蜜蜂健康状况。AMNN 在保持高效处理时间的同时，取得了 92.61% 的整体准确率，超过了八个现有的单一信号卷积神经网络和递归神经网络。此外，它提高了预测鲁棒性，在所有四种评估的健康状况中，F1 得分均超过 90%。此研究还表明相比图像，音频信号更可靠地评估蜜蜂健康状况。通过将 AMNN 与图像和声音数据无缝集成于综合的蜜蜂健康监测系统中，这种方法为早期检测蜜蜂疾病和保护蜜蜂群提供了更高效、无创的解决方案。

    Jan, 2024

  • 基于遗传算法的临床 BioBERT 超参数优化

    本研究旨在从临床笔记中提取具有社会健康决定因素的句子，并利用名为 SOHO 的 SDoH 本体提供适当的概念。我们使用深度学习的最新进展来优化 Clinical BioBERT 模型的超参数，实现了基于遗传算法的超参数调整。通过将 Clinical BioBERT 与两个线性层和两个 dropout 层进行流水线处理，我们实现了完整的分类器。在实验中，我们比较了 AdamW，Adafactor 和 LAMB 优化器。结果表明，AdamW 在准确性方面表现最佳。

    Feb, 2023

  • BERT-based 小数据关注模型及其应用于自动患者信息分类

    本研究提出了一种基于 BioBERT 的新框架，其中引入了一种用于自我关注的标签嵌入技术以及使用较小变体对 BERT 进行精简以减少过拟合和模型大小，应用于患者信息分类，证明了在处理医疗保健领域中的小数据集时，与传统分类器相比，能够实现更高的分类性能 .

    Jun, 2020

  • HiveNAS: 人工蜂群优化神经架构搜索

    本文提出了基于人工蜂群的神经架构搜索框架 HiveNAS，旨在通过元启发式优化算法自动开发神经网络，弥补了神经网络开发过程中专业知识和直觉性调整的不足。

    Nov, 2022

  • 文献增强的临床结果预测

    本文提出了一种名为 BEEP（生物医学证据增强预测）的新方法，该方法将患者特定的医学文献检索并整合到预测模型中，以预测住院死亡等结果，并开发了一种方法来检索基于嘈杂信息密集型患者笔记的文献，并以最大化预测准确性的方式增加检索到的文献以增强模型表现。与最近的语言模型基线相比，我们的方法在三个重要的临床任务上提高了预测性能。

    Nov, 2021

  • 使用深度学习技术对短英文文本进行情感分类

    使用深度学习技术和 BERT 文本嵌入方法，对来自资源匮乏语言的有限文本数据集进行情感识别的研究，通过介绍 SmallEnglishEmotions 数据集验证了这些方法在准确分类数据集中的优越性。

    Feb, 2024