在不平衡的数据集中,使用基于注意力的Bi-LSTM和混合平衡技术来改善临床缩写意义的歧义

科学领域:

• 自然语言处理自然语言处理.
• 医疗保健中的机器学习
• 临床信息学 临床信息学

背景情况:

• 临床缩写给决策支持系统带来了模两可的挑战.
• 临床数据集中的类不平衡会降低分类器的准确性,增加错误率.
• 传统模型和神经网络与不平衡的临床数据作斗争.

研究的目的:

• 开发基于注意力的双向长期短期记忆 (Bi-LSTM) 模型,用于临床缩写的明确化.
• 使用数据生成技术解决有限的培训数据和类不平衡问题.
• 为了提高临床文档分析的准确性.

主要方法:

• 使用了Bi-LSTM分类模型,并配备了注意力机制,用于缩写清晰化.
• 采用数据生成技术,包括反向替换和同义词替换,以平衡数据集.
• 根据每个缩写的准确性评估模型性能.

主要成果:

• 数据平衡技术提高了2.08%的模型精度.
• 基于注意力的Bi-LSTM模型在UMN数据集上实现了96.09%的准确性.
• 超越现有的最先进的技术结果在临床缩写的明确性.

结论:

• 像Bi-LSTM这样的深度神经网络对于临床缩写有效.
• 数据生成技术减轻了有限和不平衡的临床数据集带来的挑战.
• 拟议的方法显著提高了临床缩写的准确性.