验证 GAN-BioBERT：一种评估临床试验报告趋势的方法论
计算与语言
2021-06-02 v1 机器学习
机器学习
摘要
在过去十年中，关于临床研究中有偏报告问题的讨论颇多。尽管受到关注，用于系统评估临床研究中定性陈述的工具仍十分有限，多数评估定性陈述的研究依赖人工专家评分，这限制了其规模。此外，先前开发大规模工具的尝试（例如使用自然语言处理者）受限于其准确性及用于分类结果的类别数量。鉴于这些局限，本研究旨在开发一种既具有适当准确性又粒度精细的分类算法，以大规模应用于评估临床试验摘要中所表达的定性情感。此外，本研究试图将所提算法 GAN-BioBERT 与先前研究以及专家对临床试验摘要的人工评分进行比较。本研究利用基于 Transformer 双向编码器表示（BERT）模型的半监督自然语言处理模型，从一组学术医学专家标注的临床试验摘要系列中，开发了针对临床试验摘要的三类情感分类算法。结果：该算法的分类准确率为 91.3%，宏 F1 得分为 0.92，与先前方法及专家评分相比准确性显著提升，同时其情感分类比先前研究更细粒度。所提算法 GAN-BioBERT 是适用于临床试验文献中定性陈述大规模评估的分类模型，为临床研究发表趋势的大规模研究提供了准确、可复现的工具。
引用
@article{arxiv.2106.00665,
title = {Validating GAN-BioBERT: A Methodology For Assessing Reporting Trends In Clinical Trials},
author = {Joshua J Myszewski and Emily Klossowski and Patrick Meyer and Kristin Bevil and Lisa Klesius and Kristopher M Schroeder},
journal= {arXiv preprint arXiv:2106.00665},
year = {2021}
}
备注
6 pages, 2 figures