医療テキスト分類における次元削減とクラスバランシングの実証的評価

科学分野:

• 医療情報学
• 自然言語処理
• 機械学習

背景:

• 電子カルテには、膨大な量の構造化されていない臨床テキストが含まれています。
• テキストデータの高次元性とスパース性は、正確で効率的な分析を妨げます。
• 臨床記録の自動分類は、データ駆動型のヘルスケアにとって非常に重要です。

研究 の 目的:

• 縦断的な患者記録を圧縮するための軽量モデルを開発すること。
• 臨床テキスト分類のパフォーマンスと計算効率を向上させること。
• 診断精度を損なうことなく、大規模な医療記録の分析を可能にすること。

主な方法:

• 多様体学習技術を用いた連続体削減モデルを開発しました。
• 主成分分析（PCA）、t分布型確率的近傍埋め込み（t-SNE）、一様多様体近似と射影（UMAP）を検討しました。
• これらの技術を合成少数オーバーサンプリング技術（SMOTE）と組み合わせました。

主要な成果:

• PCAとSMOTEの組み合わせは、MTSamplesコーパスで91.2%の精度を達成しました。
• 削減されていないベースラインと比較して、統計的に有意な6.4%のマクロF1ゲインが観察されました。
• モデルのトレーニング時間は42%削減され、計算効率が向上しました。

結論:

• PCAとSMOTEの組み合わせは、臨床NLPのための実用的でスケーラブルなソリューションを提供します。
• このアプローチは、診断精度を犠牲にすることなく計算効率を向上させます。
• 本研究の結果は、医療記録の分析のために、効率的なNLPパイプラインを医療機関に展開することを支持します。