Jan, 2024

通过临床报告的情感分类评估牙齿和口腔问题的严重程度

PDF
TL;DR通过对放射科报告中的情感分析，开发了基于卷积神经网络和长短时记忆网络结构的深度学习模型，用于检测患者情况的严重程度，结果表明该模型在估计口腔和牙科疾病的严重程度方面表现最佳。
sentiment analysisradiology reportsconvolutional neural networklong short-term memory networkseverity estimation
发现论文，激发创造
  • 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

  • 通过 Few-shot 学习和 SBERT Fine-tuning 进行牙齿严重程度评估

    在这项研究中，使用 13 种不同的机器学习、深度学习和大型语言模型来基于放射科医生的报告确定口腔健康问题的严重程度。结果显示，Few-shot 学习与 SBERT 和多层感知器模型在各种实验中都表现优于其他模型，取得了 94.1％的最佳准确率。因此，该模型显示出作为可靠工具评估口腔疾病严重程度的潜力，使患者能够接受更有效的治疗，并帮助医疗保健专业人员做出关于资源配置和高风险患者管理的明智决策。

    Feb, 2024

  • 使用时变 LSTM 长期检测放射学异常

    本研究探讨利用长短时记忆网络（LSTMs）对放射学检查图像序列，包括报告进行建模，以提高分类性能，并发现对 LSTM 的简单修改可以显著提高分类性能，从而更好地检测胸部 X 光片上的异常，如心脏增大，实变，胸腔积液和食管裂孔疝。

    Jul, 2018

  • 基于双向 LSTM 和时间分布的 CNN 的语调和语义特征预测抑郁症严重程度

    提出了一种基于多模态语音和文本表达的关注机制用于预测抑郁症，使用 DAIC-WOZ 数据集训练所提出的模型，分别在音频、文本和多模态情况下进行了实验，并取得了较好的预测效果。

    Feb, 2022

  • 解决胸部 X 射线图像报告生成中的数据偏差问题

    该论文介绍了一种使用两个不同的 word LSTMs 的层次 LSTM 模型来分别产生异常和正常语句以增加生成段落的变异性，并通过比较生成语句的独特性来分析其区别。希望这些发现能够促进新度量方法的发展，以更好地验证自动生成医学报告的方法。

    Aug, 2019

  • 使用大型语言模型和实例分割技术的全景放射状牙齿状况半监督分类：现实世界数据集评估

    采用半监督学习框架，结合大型语言模型和自编码器，通过对口腔放射病例报告进行注释和无标签数据利用，成功实现了牙科全景放射病例的自动化分类，结果表明该方法在鉴定牙齿相关病症上具有与初级专家相当的准确性。

    Jun, 2024

  • BERT-Deep CNN: COVID-19 推文情感分析的最新技术

    本文探讨利用 BERT 和 Deep CNN 模型通过社交媒体研究社会对 COVID-19 大流行的感知，证明了 BERT 模型在情感分析中的卓越性能。

    Nov, 2022

  • 利用神经注意模型对放射学报告进行分类

    本文提出了一种新颖的神经注意机制，采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告，并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词，证明该模型在医学决策等方面具有应用价值。

    Aug, 2017

  • 探索卷积神经网络 (CNN) 在牙科 X 光影像分割中的作用：一项全面系统文献综述

    深度学习在牙科图像分析中展示了其作为分析图像的有效工具，且具有非常高的性能水平。

    Jan, 2024

  • 针对多样化 CT 图像的临床显著发现的整体和全面注释：从放射学报告和标签本体学习

    该研究使用深度学习和多标签分类方法设计了一个名为 LesaNet 的病变注释网络，它可以准确的为超过 32k 的多样性病变图像进行分类并提取出 171 个精细标签，平均 AUC 达到 0.9344。

    Apr, 2019