AAAIOct, 2023

DKEC: 领域知识增强的电子健康记录多标签分类

PDF
TL;DR通过融合领域知识与文本特征，DKEC 算法以标签关注机制为基础，在医学诊断预测领域取得卓越表现，尤其对于少样本类别具有显著优势，并有助于小型语言模型取得与大型语言模型相当的性能。
multi-label text classificationmedical domainlong-tail label distributiondomain knowledgedkec
发现论文，激发创造
  • KeNet: 知识增强的 Doc-Label 注意力网络用于多标签文本分类

    提出一种名为 Knowledge-enhanced Doc-Label Attention Network (KeNet) 的新方法，通过综合的文档、知识和标签表示来预测每个文本的所有标签，并在多个多标签数据集上进行了综合验证，实验证明我们的方法优于现有的多标签文本分类方法。

    Mar, 2024

  • 将医学知识图谱结合到大型语言模型中用于诊断预测

    通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

    Aug, 2023

  • 知识增强的联合生物医学实体和关系提取

    本论文提出了一种名为 KECI（知识增强的集体推理）的新框架，结合外部知识进行实体和关系提取，在两个基准数据集 BioRelEx 和 ADE 中实现新的最先进结果，使用全局关系信息将提及跨度链接到实体，使用图卷积网络将全局关系信息集成到局部表示中。

    May, 2021

  • 胸部 X 光报告生成的动态多领域知识网络

    通过构建一个具有四个模块（Chest Feature Extractor、Dynamic Knowledge Extractor、Specific Knowledge Extractor 和 Multi-knowledge Integrator）的 Dynamic Multi-Domain Knowledge 网络，本研究旨在解决自动化生成放射学诊断报告的视觉和文本数据偏倚问题，实验结果表明该方法在评估指标上表现优于先前的技术模型。

    Oct, 2023

  • DiSMEC - 极端多标签分类的分布式稀疏模型

    DiSMEC 是一种大规模分布式框架，用于学习与显式容量控制相结合的一对多线性分类器，可控制模型大小，而无需在标签矩阵上做出低秩假设。

    Sep, 2016

  • 基于知识图谱增强的 BERT 模型在多类型医学文本分类中的应用

    为了解决医疗文本中医学术语、文本类型等多样性问题，我们提出一种名为 KG-MTT-BERT 的模型，通过医疗知识图谱的整合，拓展了 BERT 模型，可以更好地处理长文本和多类型文本，并在 DRG 分类等任务上表现优异。

    Oct, 2022

  • UniDEC：集成双重编码器和分类器的极端多标签分类训练

    该研究提出了一种称为 UniDEC 的新型可端对端训练框架，该框架通过使用多类损失将双编码器和分类器一起以统一的方式进行训练，以探索极端多标签分类中的两个关键方面：(i) 双编码器训练通常仅使用单个正相关性，即使数据集提供更多；(ii) 现有方法仅集中于使用一对多的多标签问题减少。通过采用一种称为 Pick-Some-Label (PSL) 的新型多标签问题减少方法，所提出的框架在单个 GPU 上实现了最先进的结果，并在各种 XML 基准数据集上仅使用 4-16 倍的计算能力与多 GPU 最优方法相媲美，且在百万标签规模数据集上具有实际可扩展性。

    May, 2024

  • 针对法律和生物医学文本的编码器 - 解码器多标签分类方法探究

    本研究比较了四种多标签分类方法，其中两种基于编码器，两种基于编码器 - 解码器。结果表明，在多个数据集上使用编码器 - 解码器方法比仅编码器表现更好，其非自回归编码器 - 解码器方法获得了最优表现。

    May, 2023

  • medIKAL: 将知识图谱集成为 LLMs 助手，以增强 EMR 上的临床诊断

    整合知识图谱和大型语言模型的 medIKAL 框架能够通过对实体的加权重要性和路径重新排序等策略提升电子病历的诊断能力，为临床推理和诊断带来了新的突破。

    Jun, 2024

  • 基于通用跨领域多标签少样本学习的胸部 X 光图像识别

    利用少量训练数据，跨域迁移，多标签元学习等方法，提出了一个称为综合交叉域多标签少样本学习（GenCDML-FSL）的集成框架，用于胸部 X 射线异常分类，实验证明其优于传统方法。

    Sep, 2023