文献

J-GLOBAL ID：201902247908556450   整理番号：19A2421339

エビデンスに基づく医学のためのカテゴリー検出法【JST・京大機械翻訳】

A Category Detection Method for Evidence-Based Medicine

著者 (5件)： Wang Jingyan (Sichuan University, Chengdu, China) ,  Ju Shenggen (Sichuan University, Chengdu, China) ,  Xiong Xi (Chengdu University of Information Technology, Chengdu, China) ,  Zhang Rui (Sichuan University, Chengdu, China) ,  Liu Ningning (Sichuan University, Chengdu, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11839  ページ： 665-675  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 証拠に基づく医療(EBM)は,医学文献の大規模データベースを分析し,関連する臨床主題テキストを検索することにより証拠を集める。しかしながら,医療論文の抽象化は,一般的に,臨床診療,集団,研究方法,および非構造化方法における論文の実験結果のテーマを示し,医学的証拠の非効率的検索をレンダリングする。抽象文は文脈情報を含み,それらの間には複雑な意味論的および文法的相関があり,独立文とは異なる分類をする。本論文では,階層的マルチ接続ネットワーク(HMCN)に基づくカテゴリ検出アルゴリズムを提案し,逐次文章の分類の問題としてEBMのカテゴリ検出に関するものである。アルゴリズムは複数の構造を含んでいる。(1)基礎となる層は,事前に訓練された言語モデルとBi指向性の長い短い記憶ネットワーク(Bi-LSTM)を結合することによって文章ベクトルを作り出し,文章の内部依存性を研究するために,多層自己注意構造を文章ベクトルに適用する。(2)上部層は,多重接続Bi-LSTMsモデルを用いて,抽象における文ベクトルに対する文脈情報を付加するために,元の入力系列を直接読み出す。(3)トップ層は条件付きランダムフィールド(CRF)モデルによってタグシーケンスを最適化する。公共データセットに関する広範囲の実験は,医療カテゴリ検出におけるHMCNモデルの性能が最先端のテキスト分類法のものより優れていて,F1値が0.4%~0.9%増加したことを実証した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ビスマス ,  アルゴリズム ,  意味論 ,  最適化 ,  多層 ,  指向性 ,  *ベクトル ,  レンダリング ,  言語モデル ,  ネットワーク
準シソーラス用語： テキスト分類 ,  確率場 ,  文脈情報 ,  診療 ,  テキスト , 【Automatic Indexing@JST】

著者キーワード (5件)： エビデンスに基づく医学 ,  カテゴリー検出 ,  階層的マルチ接続ネットワーク ,  自己注意 ,  言語モデル

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： エビデンス ,  医学 ,  カテゴリー ,  検出法