抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
疾患リスク予測は,特に人工知能(AI)の最新の進歩で,現代医療の分野でますます注目を集めている。不均一な患者情報を含む電子健康記録(EHR)は,疾患リスク予測作業で広く使用されている。リスク予測にAIモデルを適用する一つの課題は,予測能力を保持しながら予測結果を支持する解釈可能な証拠を生成することである。この問題に取り組むために,著者らは,注意モジュールがリスク予測ラベルの名目とのそれらの関連性に従って,医療記録から単語の重みを学習する単語とラベルを一緒に埋め込む方法を提案した。この手法は,注意機構の採用と,モデルにおける予測タスクの名称を含む解釈可能性を高める。しかし,その応用は,医療記録のようなテキスト入力の取扱いに限られていた。本論文では,ラベル依存注意モデルLDAMを,1)臨床-BERT(大規模臨床コーパスで事前訓練された生物医学言語モデル)を利用して,生物医学に意味のある特徴とラベルを共同で符号化する,という解釈可能性を改善する。2)時系列データの処理への共同埋込みのアイデアを拡張し,医療記録と時系列健康状態指標から不均一情報を統合するためのマルチモーダル学習フレームワークを開発した。著者らの方法を実証するために,異なる疾患リスクを予測するために,MIMIC-IIIデータセットにLDAMを適用した。本方法を定量的および定性的に評価した。特に,LDAMの予測力を示し,事例研究を行い,その解釈可能性を説明した。【JST・京大機械翻訳】