نقشه سایت

قابلیت انتقال شبکه های عصبی مصنوعی برای طبقه بندی اسناد بالینی در بیمارستان ها: مطالعه موردی در زمینه تشخیص ناهنجاری از گزارش های رادیولوژی

چکیده

هدف: کاربرد تکنیک های یادگیری ماشین برای طبقه بندی خودکار و قابل اطمینان اسناد بالینی، نتایج امیدبخشی نشان داده است. با این حال، مدل های یادگیری ماشین به داده های آموزشی زیاد مختص هر بیمارستان هدف نیاز دارند و ممکن است قادر به بهره مندی از داده های برچسب دار دردسترس از هر یک از بیمارستان ها به دلیل تغییرات داده ای نباشند. چنین محدودیت های داده های آموزشی، یکی از موانع اصلی برای بیشینه سازی کاربرد بالقوه راهکارهای یادگیری ماشین را در زمینه مراقبت های بهداشتی نشان داده است. ما به بررسی قابلیت انتقال مدل های شبکه عصبی مصنوعی در بیمارستان ها از زمینه های مختلف با نمایش گروه های آماری در بازه های سنی متعدد (یعنی کودکان، بزرگسالان و ترکیبی از آنها) به منظور رسیدگی به چنین محدودیت ها می پردازیم.

اصول و روش ها: ما به بررسی قابلیت انتقال شبکه های عصبی مصنوعی برای طبقه بندی اسناد بالینی می پردازیم. مطالعه موردی ما، تشخیص ناهنجاری ها از گزارش های اشعه ایکس اندام از دپارتمان اورژانس (ED) سه بیمارستان در منطه های مختلف بود. سناریوهای یادگیری انتقال مختلفی به منظور استفاده از مدل آموزشی بیمارستان مبدا برای بیان مسئله تشخیص ناهنجاری بیمارستان هدف مورد بررسی قرار گرفتند.

نتایج: مدل شبکه عصبی کانولوشن (CNN)، بهترین تاثیربخشی را در مقایسه با سایر شبکه ها در هنگام استفاده از مدل تعبیه ای آموزش یافته بر روی مجموعه بزرگی از اسناد بالینی نشان داد. همچنین، مدل های CNN بدست آمده از بیمارستان مبدا بهتر از راهکار یادگیری ماشین مرسوم مبتنی بر ماشین های بردار پشتیبان (SVM) در زمان استفاده در بیمارستان های هدف مختلف با عمل کردند. این مدل ها با استفاده از داده های آموزشی دردسترس در بیمارستان های هدف بهبود یافتند و بهتر از مدل هایی عمل کردند که تنها از داده های بیمارستان هدف با امتیاز F1 0.92–0.96 در سه بیمارستان استفاده کردند.

بحث: مدل یادگیری انتقال ما از تنها نمایش های برداری ساده اسناد بدون هیچ مهندسی مشخصه خاصی استفاده کرده است. انتقال مدل CNN به طور قابل توجهی (تقریبا 10% در امتیاز F1)، راهکار جدید برای طبقه بندی اسناد بالینی مبتنی بر مدل انتقال یافته بدیهی را بهبود داده است. همچنین، نتایج نشان دادند که تکنیک های یادگیری انتقال می توانند مدل CNN را بهبود دهند که تنها بر روی داده های بیمارستان هدف یا مبدا آموزش می یابد.

نتیجه گیری: انتقال مدل CNN از پیش آموزش یافته ی تولید شده در یک بیمارستان، امکان استفاده از راهکارهای یادگیری ماشین را سهولت می بخشد که نیاز به کاهش هر دو مهندسی مشخصه مختص بیمارستان و داده های آموزشی را کاهش می دهد.

 

Transferability of artificial neural networks for clinical document classification across hospitals: A case study on abnormality detection from radiology reports

 ,Journal of Biomedical Informatics 2018

Abstract 

Objective: Application of machine learning techniques for automatic and reliable classification of clinical documents have shown promising results. However, machine learning models require abundant training data specific to each target hospital and may not be able to benefit from available labeled data from each of the hospitals due to data variations. Such training data limitations have presented one of the major obstacles for maximising potential application of machine learning approaches in the healthcare domain. We investigated transferability of artificial neural network models across hospitals from different domains representing various age demographic groups (i.e., children, adults, and mixed) in order to cope with such limitations. Materials and methods: We explored the transferability of artificial neural networks for clinical document classification. Our case study was to detect abnormalities from limb X-ray reports obtained from the emergency department (ED) of three hospitals within different domains. Different transfer learning scenarios were investigated in order to employ a source hospital’s trained model for addressing a target hospital’s abnormality detection problem. Results: A Convolutional Neural Network (CNN) model exhibited the best effectiveness compared to other networks when employing an embedding model trained on a large corpus of clinical documents. Furthermore, CNN models derived from a source hospital outperformed a conventional machine learning approach based on Support Vector Machines (SVM) when applied to a different (target) hospital. These models were further improved by leveraging available training data in target hospitals and outperformed the models that used only the target hospital data with F1-Score of 0.92–0.96 across three hospitals. Discussion: Our transfer learning model used only simple vector representations of documents without any taskspecific feature engineering. Transferring the CNN model significantly improved (approx.10% in F1-Score) the state-of-the-art approach for clinical document classification based on a trivial transferred model. In addition, the results showed that transfer learning techniques can further improve a CNN model that is trained only on either a source or target hospital’s data. Conclusion: Transferring a pre-trained CNN model generated in one hospital to another facilitates application of machine learning approaches that alleviate both hospital-specific feature engineering and training data.

 

تماس با ما

  • آدرس: تبریز، میدان دانشسرا، خایابان خاقانی، پاساژ خاقانی، پلاک 119
  • تلفن تماس: 35250068-041
  • فکس: 35250069-041
  • این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید
  • موبایل: 09141077352

طلا ترجمه

وب سایت طلا ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.طلا ترجمه اولین وب‌سایت ایرانی است که امکان محاسبه آنلاین مبلغ ترجمه را به دو روش مختلف فراهم نموده است تا بتواند گامی موثر در راحتی شما مشتریان عزیز بردارد.

دیکشنری تصویری

ارسال سریع پیام

  1. لطفا نام و نام خانوادگی خود را وارد نمایید.
  2. لطفا آدرس پست الکترونیکی خود را صحیح وارد نمایید.
  3. لطفا موضوع پیام ارسالی خود را بنویسید.
  4. لطفا متن پیام خود را تکمیل نمایید.
Top
We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. Cookie policy. I accept cookies from this site. Agree