Nov, 2023

利用神经网络对社交媒体数据中的患者声音进行分类：不同数据源和治疗领域上 AI 模型的比较

PDF
TL;DR通过语言分析，本研究测试了在线患者经验信息的多样性，并结合相似性训练了分类器，以准确识别社交媒体上的患者经验帖子，称之为患者声音分类。经过实验，心血管和神经类别的分类器在 Reddit 数据源上表现最佳，F1 分数分别达到 0.865 和 1.0，而对于全部数据进行训练的 Transformer 分类器在不同治疗领域和数据源的测试数据集上，F1 分数在 0.863 到 0.995 之间。
patient experiencesonline patient experience informationlinguistic analysistherapeutic domainspatient voice classification
发现论文，激发创造
  • MasonNLP+ 在 SemEval-2023 任务 8 中的应用：基于知识增强预训练语言模型从社交媒体中提取医疗问题、经验和主张

    利用基于语言模型的提取系统以及外部知识，从社交媒体用户帖子中自动提取与医疗状况相关的患者经历和医疗状况信息，可用于有效监测医疗谣言的传播和验证用户主张。

    Apr, 2023

  • 通过临床问卷学习实现简单灵活的精神障碍检测模型

    研究了使用社交媒体的语言特征来检测心理健康问题，并提出了一种能够有效利用领域知识、可被应用于其他心理障碍以及能够提供可解释检测结果的模型。

    Jun, 2023

  • 社交媒体作为传感器：利用自然语言处理分析 Twitter 数据对乳腺癌药物效果的研究

    通过自然语言处理技术，本论文以社交媒体数据为资源，研究了乳腺癌患者 / 幸存者的自述信息以及相关药物治疗的副作用和使用模式，揭示了社交媒体数据在乳腺癌研究中的巨大潜力。

    Feb, 2024

  • 患者报告体验的概率情感和观点建模

    该研究介绍了一种从在线患者经验叙述中建模患者情绪的新方法。我们采用元数据网络主题建模分析了来自 Care Opinion 的患者报告的经验，揭示与患者 - 医护人员互动和临床结果相关的关键情绪主题。我们开发了一种概率上下文特定的情绪推荐系统，可以使用朴素贝叶斯分类器基于语境有意义的主题来预测多标签情绪和二进制情绪。我们使用信息检索度量指标 nDCG 和 Q-measure 评估了本模型下我们预测的情绪的卓越性能，而我们预测的情绪达到了 0.921 的 F1 得分，明显优于标准情绪词典。该方法提供了一种透明、经济高效的方式来理解患者反馈，增强了传统的收集方法，并为个性化患者护理提供了信息。我们的研究结果可以通过 R 包和交互式仪表板获得，为医疗保健研究人员和从业者提供了有价值的工具。

    Jan, 2024

  • 在多诊断情境中自动分类神经精神疾病的语音和文本方法

    本研究比较了基于语音和文本特征的二元分类和多类分类模型在区分多种神经精神障碍时的表现，结果显示联合模型表现更佳，同时提出今后应该关注更具代表性的跨诊断数据集以及精细化的临床特征。

    Jan, 2023

  • 提升社交媒体内容中健康提及检测的语言模型能力的独特训练策略

    通过随机加权干扰和对比学习策略培训语言模型，并提出元预测器以区分社交媒体文本中的非健康和健康相关类别，实验证明该策略提高了语言模型的性能，元预测器在三个基准数据集上优于现有的健康提及分类预测器。

    Oct, 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

  • 基于深度学习的医学文本情感分析

    本研究使用双向编码器表示来自转换器（BERT）的基本预训练模型，并在输出层使用卷积神经网络（CNN）、全连接网络（FCN）和图卷积网络（GCN）等模块进行实验和分析。结果表明，在与 BERT 等预训练模型结合使用较小的医学文本数据集进行训练时，CNN 模型优于其他网络。该研究强调了在医学领域实现有效情感分析中模型选择的重要性，并为未来研究开发更高效的模型架构提供了参考。

    Apr, 2024

  • 走向客观和可解释的语音障碍评估：基于 CNN 和 Transformer 的模型的比较分析

    这项研究提出了一种基于自我监督的 Wav2Vec2 模型，用于头颈癌患者的语音分类，以提高准确性和语音特征辨别能力，并通过评估多样化语料库的方式验证了该模型的有效性，为医生提供了可解释的方法来理解病理性语音。

    Jun, 2024

  • 用户生成的药物评论的情感分析使用机器学习技术

    通过使用 BERT、SciBERT 和 BioBERT 等预训练语言模型，本研究提出了一种药物评论分类系统，该系统可以将用户对特定药物的评论分为积极、消极和中性等不同类别，以分析人们对不同药物的情绪反馈。

    Apr, 2024