KMTLabeler:用于医学文本分类的交互式知识辅助标签工具.

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 机器学习 机器学习

背景情况:

• 准确的医学文本标签对于研究至关重要,但往往耗时且需要领域专业知识.
• 传统的基于规则的方法缺乏适应性,而当前的机器学习 (ML) 方法对非技术用户来说可能具有挑战性,并且可能无法完全整合专家的意见.
• 现有的半自动化方法,如数据编程,可能无法持续精细化结果.

研究的目的:

• 开发一个高效的协作人类-ML合作工作流程,用于医疗文本标签.
• 引入一种创新的神经网络模型 (嵌入网络),用于生成特定任务的医疗文本嵌入,并结合专家的见解.
• 将这些组件集成到视觉分析工具 (KMTLabeler) 中,以提高标签效率.

主要方法:

• 一个集成视觉集群分析和主动学习的协作工作流.
• 开发一个嵌入式网络模型,将专家的见解纳入医疗文本表示.
• 实施KMTLabeler,这是一个具有协调多层次视图和交互的视觉分析工具.

主要成果:

• 证明KMTLabeler在创建高效的医疗文本标签环境中的有效性.
• 通过视觉分析和积极学习,成功地整合了人类专业知识和ML.
• 使用新型嵌入网络为医疗文本生成特定任务的嵌入.

结论:

• KMTLabeler显著提高了领域专家医疗文本标签的效率.
• 拟议的人类-ML合作工作流程和嵌入网络为医疗数据注释提供了一种新的方法.
• 这些发现支持在医学研究中使用KMTLabeler进行简化和准确的文本分类.