Nov, 2023

深度学习自动化从科技文献中提取肿瘤疗效终点的研究

PDF
TL;DR通过机器学习方法，我们开发并优化了一种从科学论文中提取疗效终点的框架，预测了与疗效终点相关的 25 个类别，并在测试集上取得了 96.4% 的高 F1 分数，对两个案例研究分别取得了 93.9% 和 93.7% 的分数，与科学专家的评估结果高度一致，为自动化提取临床终点的应用领域展示了巨大的潜力，以加速临床试验设计。
benchmarking drug efficacyclinical trial designextraction of efficacy endpointsmachine learningclinical information extraction
发现论文，激发创造
  • 利用先进自然语言处理和伪标签自动评分临床病人笔记

    该研究引入了最先进的自然语言处理技术（具体为掩蔽语言建模预训练）和伪标记的方法，以应对临床病历评估的挑战，提高效率和性能，并改变临床病历评估的潜力。

    Jan, 2024

  • 利用深度神经网络在癌症临床试验中学习资格

    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。

    Mar, 2018

  • 使用大语言模型自动筛选临床评审论文

    通过比较 OpenAI GPT API 对临床评论文章标题和摘要的筛选效果和两位独立人工审核的效果，我们发现使用 OpenAI GPT API 可以显著提高临床评论的筛选效率和准确性。

    May, 2023

  • 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

  • 基于数据驱动的癌细胞系分子分析信息提取和丰富化

    本文介绍了一种新的数据提取和探索系统，可以从癌细胞系的科学文献中提取文本实体之间的深层次语义关系，为现有结构化临床数据提供丰富的语义信息，并自动链接基因组拷贝数变异图与相关实体，以及相关文献证据，从而实现更为快捷深入的文献检索。

    Jul, 2023

  • 电子病历上乳腺癌表型 NLP 算法跨院评估

    本研究通过乳腺癌表型提取任务，评估了基于 BERT 的临床自然语言处理模型在不同临床设置下的普适性。结果表明，CancerBERT 模型具有最佳的学习能力和普适性，并且模型的普适性与样本之间的相似度有关。

    Mar, 2023

  • 利用机器学习管道扩展系统文献综述

    通过构建一个自动化的流水线以及实验，我们在仅需人工筛选的 2 周时间内，取得了非常高的准确性和泛化能力，从而使得系统能够自动完成系统性评论过程的主要步骤，包括文件搜索、文件选择以及数据提取。

    Oct, 2020

  • 临床试验批准估计的语言交互网络

    临床试验结果预测利用机器学习模型根据试验描述、药物特性和疾病条件等多种数据源，预测试验成功达到预期终点的可能性。我们提出了一种名为语言交互网络（LINT）的新方法，只使用试验的文本描述来预测试验结果，在临床三个阶段的试验中，它实现了分别为 0.770、0.740 和 0.748 的 ROC-AUC 分数，特别针对涉及生物制剂的试验。

    Apr, 2024

  • 提高临床试验的患者招募效率：基于提示的学习模型应用

    应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

    Apr, 2024

  • 证据推断 2.0：更多数据，更好的模型

    本文讨论如何利用 NLP 技术快速分析大量的疾病治疗相关的文章，以便于有效地整理出临床试验结果，并希望以此为基础构建出一个比较不同治疗方法的数据库，方便医生进行治疗决策。同时，本文还介绍了一个被称为 Evidence Inference 的公开数据集，该数据集包括了很多描述临床试验的文献，可以用于相关研究。

    May, 2020