利用未标记的临床数据来提高疑似急性冠状动脉综合征风险分层模型的性能

科学领域:

• 人工智能的人工智能
• 临床信息学 临床信息学
• 医学数据科学 医学数据科学

背景情况:

• 医疗保健中的深度学习模型在专业的临床任务中用有限的标记数据作斗争.
• 丰富的未标记的临床数据为改善模型性能提供了潜在的解决方案.
• 急性冠状动脉综合征风险分层是面临数据稀缺挑战的关键临床应用.

研究的目的:

• 调查使用特定任务未标记的临床数据以改进深度学习分类模型的有效性.
• 提高急性冠状动脉综合征风险分层模型的性能.
• 探索任务适应性语言模型预训练在未标记的临床笔记上的好处.

主要方法:

• 任务适应性语言模型预训练使用大量未标记的临床笔记.
• 预培训的重点是获得与临床领域相关的先前特定任务知识.
• 对特定分类任务的有限标记数据进行微调预训练模型.
• 拟议方法的广泛实验验证.

主要成果:

• 使用特定任务的未标记数据进行预训练显著改善了下游分类模型的性能.
• 该方法在疑似急性冠状动脉综合征的风险分层方面取得了实质性进展.
• 任务适应性预训成功将有价值的特定领域知识转移到模型中.

结论:

• 特定任务的未标记数据是促进医疗保健深度学习绩效的宝贵资源.
• 任务适应性语言模型预训练提供了一个可行的策略,以克服标记数据的局限性.
• 这种方法有望改善临床决策支持工具,特别是在风险分层方面.