基于注意力的LSTM网络用于COVID-19临床试验解析
计算与语言
2020-12-21 v1 机器学习
摘要
COVID-19临床试验设计是开发用于预防和治疗COVID-19的疗法中的关键任务。在本研究中，我们应用深度学习方法从COVID-19试验中提取合格标准变量，以实现试验设计的定量分析与优化。具体而言，我们训练基于注意力的双向长短期记忆(Att-BiLSTM)模型，并使用最优模型从COVID-19试验的合格标准中提取实体(即变量)。我们将Att-BiLSTM与传统基于本体论的方法的性能进行比较。在基准数据集上的结果表明Att-BiLSTM优于本体模型。Att-BiLSTM取得了0.942的精确率、0.810的召回率与0.871的F1值，而本体模型仅取得0.715的精确率、0.659的召回率与0.686的F1值。我们的分析表明Att-BiLSTM是刻画COVID-19临床试验中患者人群的有效方法。
引用
@article{arxiv.2012.10063,
title = {Attention-Based LSTM Network for COVID-19 Clinical Trial Parsing},
author = {Xiong Liu and Luca A. Finelli and Greg L. Hersch and Iya Khalil},
journal= {arXiv preprint arXiv:2012.10063},
year = {2020}
}