基于传递信息的图形卷积网络的开发,用于分类癌症病理报告

科学领域:

• 自然语言处理自然语言处理.
• 机器学习 机器学习
• 生物信息学是一种生物信息学.

背景情况:

• 像TextGCN这样的图形卷积网络 (GCN) 对于自然语言文本分类是有效的.
• 现有的TextGCN模型面临着内存消耗和分布的挑战.
• 为了解决这些局限性,提出了一个新的快速消息传递网络 (FastMPN).

研究的目的:

• 开发一个更高效,更灵活的GCN模型来进行文本分类.
• 将FastMPN模型应用于从癌症病理学报告中提取临床信息.
• 提取关键的瘤特性,包括部位,亚部位,横向性,组织学,行为和等级.

主要方法:

• 实现了一个带有传递消息架构 (FastMPN) 的 GCN.
• 集成可训练节点嵌入和边缘权重,以增强模型灵活性.
• 将FastMPN应用于癌症病理学报告数据集,以提取信息.

主要成果:

• 该FastMPN模型的性能相当于或优于多任务卷积神经网络 (MT-CNN) 模型.
• 用微观和宏观平均的F1评分来评估临床任务的性能.
• 在瘤信息提取方面获得了极具竞争力的临床任务绩效分数.

结论:

• 在PyTorch上实现的FastMPN模型,在V100 GPU上在每个时代不到3分钟内高效地训练大 corpora (667,290个样本).
• FastMPN提供了一种多功能和灵活的方法,用于基于GCN的文本分类.
• 这种实现为从病理学报告中提取关键瘤信息提供了具有竞争力的解决方案.