优化患者反与生成对抗网络利用知识蒸来改善医疗保健

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 自然语言处理自然语言处理.

背景情况:

• 国内医疗保健设施的有限利用需要以患者为中心的改进.
• 患者反对于提高医疗保健问责制,透明度和质量至关重要.
• 需要对患者反采取系统的方法,以告知医疗保健政策.

研究的目的:

• 开发一个收集和分析患者反的系统,以改善当地医疗保健.
• 创建一个审查医院反的平台,特别是在高需求的医疗服务领域.
• 建立"达卡私立医院审查数据集",用于有条理的患者意见评估.

主要方法:

• 基于变压器的产生性对抗性学习用于情感分析.
• 知识蒸 (KD) 提高模型效率.
• 建议使用GC-BERT和LC-BERT学生模型的GANBERT架构,使用静态预训练的词嵌入.

主要成果:

• GC-BERT的执行时间提高了1.27%24.27%;LC-BERT的执行时间提高了14.13%23.30%.
• 两种模型都显示了显著的参数减少 (82.50%99.99%),提供轻量级和高效的解决方案.
• 使用静态预训练词嵌入的方法在患者反分析中被证明是有效的.

结论:

• 开发的系统和GANBERT架构为分析患者反提供了一种有效的方法.
• 这种方法可以通过结合以患者为中心的投入,显著提高医疗保健政策和实践.
• "达卡私立医院审查数据集"和拟议的模型为改善医疗保健质量提供了宝贵的资源.