用于临床笔记中转移灶检测的参数高效方法
机器学习
2023-10-31 v1
摘要
理解癌症的进展对于确定患者治疗方案至关重要。本研究的目的是自动化地从自由式计算机断层扫描(CT)放射学报告中检测转移性肝病。我们的研究表明,使用三种方法迁移知识可改善模型性能。首先,我们利用以自监督方式预训练的通用语言模型(LM)。其次,我们采用半监督方法,通过自动标注大型无标签数据集来训练模型;该方法显著增强了模型性能。最后,我们通过设计多任务迁移学习方法来从相关任务迁移知识。我们利用近期参数高效 LM 适配策略的进展来提高性能和训练效率。我们的数据集由纪念斯隆-凯特琳癌症中心(MSKCC)在 12 年间收集的 CT 报告组成。2,641 份报告由领域专家手动标注;其中 841 份报告标注了肝转移灶的存在。我们的最佳模型达到了 73.8% 的 F1 分数、84% 的精确率和 65.8% 的召回率。
引用
@article{arxiv.2310.18472,
title = {Parameter-Efficient Methods for Metastases Detection from Clinical Notes},
author = {Maede Ashofteh Barabadi and Xiaodan Zhu and Wai Yip Chan and Amber L. Simpson and Richard K. G. Do},
journal= {arXiv preprint arXiv:2310.18472},
year = {2023}
}
备注
6 pages, 1 figure, The 36th Canadian Conference on Artificial Intelligence