一种基于人工智能的混合方法,用于ICD医学文件的分类

科学领域:

• 自然语言处理自然语言处理.
• 机器学习 机器学习
• 信息检索 信息检索

背景情况:

• 机器学习方法对于文档分类是有效的,但需要大量的训练数据.
• 隐私问题和数据敏感性限制了训练有素的机器学习模型的转移和重用.
• 从训练有素的模型中重建敏感信息在隐私敏感领域构成重大风险.

研究的目的:

• 为自动文档分类提出一种新的转移学习方法,以解决数据稀缺和隐私问题.
• 开发一种方法,确保训练有素的模型符合GDPR,并可广泛重复使用.
• 为了使文字分类器能够在没有额外培训的情况下转移到具有不同术语的上下文中.

主要方法:

• 利用本体学来规范文本分类器的特征空间,创建一个受控的词汇.
• 开发了一种转移学习方法,旨在保护隐私和广泛的模型可重复使用.
• 丰富的本体学,以促进分类器跨多种术语的转移.

主要成果:

• 在医疗文档中训练有素的分类器在口语中的医疗文本中成功应用.
• 取得了有希望的结果,突出了基于本体学的转移学习方法的潜力.
• 通过设计验证了开发方法的GDPR合规性.

结论:

• 提出的本体学驱动的转移学习方法有效地克服了文档分类中传统机器学习的局限性.
• 该方法确保了隐私合规性,使机器学习模型的安全和道德重复使用成为可能.
• 这种方法显著扩大了转移学习解决方案的应用领域,特别是在医疗保健等敏感领域.