通过少样本学习和 SBERT 微调进行牙科严重程度评估
计算与语言
2024-04-09 v2
摘要
牙科疾病对相当一部分人口有重大影响，导致各种健康问题，进而 detrimental 地影响个体的整体福祉。自动化系统在口腔保健中的整合变得日益关键。机器学习方法为解决口腔疾病诊断中的诊断困难、低效和错误等挑战提供了可行的解决方案。当医生难以预测或诊断早期疾病时，这些方法尤为有用。在本研究中，我们采用了十三种不同的机器学习、深度学习和大语言模型，基于放射科医生的报告来确定口腔健康问题的严重程度。结果显示，结合 SBERT 和多层感知机（Multi-Layer Perceptron）的少样本学习模型在各种实验中均优于其他所有模型，取得了高达 94.1% 的最佳准确率。因此，该模型展现出作为评估口腔疾病严重程度可靠工具的潜力，使患者能够接受更有效的治疗，并协助医疗专业人员在资源分配和高危患者管理方面做出明智决策。
引用
@article{arxiv.2402.15755,
title = {Dental Severity Assessment through Few-shot Learning and SBERT Fine-tuning},
author = {Mohammad Dehghani},
journal= {arXiv preprint arXiv:2402.15755},
year = {2024}
}