Metin çivileme - Text nailing

Denetimli öğrenme Metin Çivilemeye karşı
Yalnızca alfabetik olarak dönüştürülmüş nota bir örnek ("çivilenmiş not")

Metin Çakma (TN) bir bilgi çıkarma yapılandırılmamış belgelerden yapılandırılmış bilgileri yarı otomatik olarak çıkarma yöntemi. Yöntem, bir insanın potansiyel olarak bilgilendirici ifadeleri belirlemek için geniş bir belge koleksiyonundan küçük metin lekelerini etkileşimli olarak incelemesine izin verir. Tanımlanan ifadeler daha sonra metne dayanan hesaplama yöntemlerini geliştirmek için kullanılabilir (ör. Düzenli ifade ) yanı sıra gelişmiş doğal dil işleme (NLP) teknikleri. TN iki kavramı birleştirir: 1) oldukça yaygın olan olumsuzlanmamış ifadeleri belirlemek için anlatı metni ile insan etkileşimi ve 2) homojen temsiller oluşturmak için tüm ifadelerin ve notların olumsuzlaştırılmamış alfabetik yalnızca temsillere dönüştürülmesi. [1][2]

Geleneksel olarak makine öğrenme için yaklaşımlar metin sınıflandırması, bir insan uzmanın cümleleri veya notların tamamını etiketlemesi ve ardından denetimli öğrenme algoritma, ilişkileri genelleştirmeye ve bunları yeni verilere uygulamaya çalışır. Aksine, olumsuzlanmamış farklı ifadelerin kullanılması, genelleştirilebilirliği sağlamak için ek bir hesaplama yöntemine duyulan ihtiyacı ortadan kaldırır.[3][4][5]

Tarih

TN şu tarihte geliştirildi: Massachusetts Genel Hastanesi ve sigara içme durumunun çıkarılması, ailede koroner arter hastalığı öyküsü, uyku bozukluğu olan hastaların belirlenmesi dahil olmak üzere birçok senaryoda test edildi,[6] doğruluğunu artırmak Framingham risk puanı olan hastalar için alkolden bağımsız karaciğer yağlanması ve tip-2 diyabete uyumsuzluğu sınıflandırın. Aşağıdaki metin belgelerinden bilgi çıkarmaya ilişkin kapsamlı bir inceleme: elektronik sağlık kaydı kullanılabilir.[7][8]

Metin tabanlı sınıflandırıcıların doğruluğunu artırmak için reddedilmemiş ifadelerin kullanılmasının önemi, Ekim 2018'de Communications of the ACM'de yayınlanan bir mektupta vurgulandı.[9]

Kaynak kodu

"Çivilenmiş ifadeler" kullanarak açıklama notlarından sigara içme durumunu çıkarmak için örnek bir kod şurada mevcuttur: GitHub.[10]

İleri siber-insan zekası olarak TN

Temmuz 2018'de Virginia Tech ve Illinois Üniversitesi, Urbana – Champaign TN, ilerici siber-insan zekası (PCHI) için bir örnek olarak anılır.[11]

Sağlık hizmetlerinde makine öğreniminin eleştirisi

Chen & Asch 2017, "Makine öğreniminin şişirilmiş beklentilerin zirvesinde yer almasıyla, teknolojinin yeteneklerini ve sınırlamalarını daha güçlü bir şekilde değerlendirerek bir" hayal kırıklığı çukuruna "dönüşen bir çöküşü yumuşatabiliriz."[12]

Yayınlanan bir mektup ACM'nin iletişimi "Kaba gücün ötesinde", metne uygulandığında kaba kuvvet yaklaşımının geleneksel makine öğrenimi algoritmalarından daha iyi performans gösterebileceğini vurguladı. Mektupta "... makine öğrenimi algoritmaları metne uygulandığında, herhangi bir dilin sonsuz sayıda olası ifade içerdiği varsayımına dayanıyordu. Buna karşılık, çeşitli tıbbi koşullarda, klinisyenlerin de aynı şeyi kullanma eğiliminde olduklarını gözlemledik. Hastaların koşullarını tanımlayan ifadeler. "[13]

Text Nailing'in ortak yaratıcısı Uri Kartoun, Haziran 2018'de tıpta veriye dayalı bulguların yavaş benimsenmesiyle ilgili olarak yayınlanan görüşünde, "... Text Nailing, medikal bilişim dergilerinin basitliğe dayandığını iddia eden eleştirmenlerde şüphe uyandırdı. Metni basitleştirmek için püf noktaları ve ağırlıklı olarak insan açıklamasına dayanır. TN gerçekten de ilk bakışta ışığın bir numarası gibi görünebilir, ancak nihayetinde kabul eden daha maceracı eleştirmenlerin ve editörlerin dikkatini çeken aslında oldukça karmaşık bir yöntemdir. yayın için. "[14]

Eleştiri

Döngüdeki insan süreci, alan uzmanlarını kullanarak özellikler oluşturmanın bir yoludur. Özellikler bulmak için alan uzmanlarını kullanmak yeni bir kavram değildir. Bununla birlikte, alan uzmanlarının özellikleri oluşturmasına yardımcı olan belirli arayüzler ve yöntem büyük olasılıkla yenidir.

Bu durumda, uzmanların oluşturduğu özellikler normal ifadelere eşdeğerdir. Alfabetik olmayan karakterlerin kaldırılması ve "smokesppd" üzerindeki eşleştirme, normal ifadeye / dumanlara [^ a-zA-Z] * ppd / eşittir. Metin sınıflandırması için özellik olarak normal ifadeleri kullanmak yeni değildir.

Bu özellikler göz önüne alındığında sınıflandırıcı, bir dizi belgenin performansına göre karar verilen yazarlar tarafından manuel olarak belirlenen bir eşiktir. Bu bir sınıflandırıcıdır, sadece sınıflandırıcının parametreleri, bu durumda bir eşik manuel olarak ayarlanır. Aynı özellikler ve belgeler göz önüne alındığında, hemen hemen her makine öğrenimi algoritması aynı eşiği veya (daha muhtemel) daha iyi bir eşiği bulabilmelidir.

Yazarlar, destek vektör makineleri (SVM) ve yüzlerce belge kullanmanın daha düşük performans sağladığını, ancak SVM'nin hangi özellikler veya belgeler üzerinde eğitildiğini / test edildiğini belirtmediğini belirtiyorlar. Adil bir karşılaştırma, manuel eşik sınıflandırıcı tarafından kullanılanlarla aynı özellikleri ve belge setlerini kullanır.

Referanslar

  1. ^ Kartoun, Uri (2017). "Metin çivileme". Etkileşimler. 24 (6): 44–9. doi:10.1145/3139488. S2CID  29010232.
  2. ^ Barbosa, Simone; Cockton Gilbert (2017). "Tasarım düşünceliğiyle gündem önyargısından kaçınmak". Etkileşimler. 24 (6): 5. doi:10.1145/3151556. S2CID  657561.
  3. ^ Kiriş, Andrew L; Kartoun, Uri; Pai, Jennifer K; Chatterjee, Arnaub K; Fitzgerald, Timothy P; Shaw, Stanley Y; Kohane, Isaac S (2017). "Uyku İlaçları Reçetelerini ve Klinik Karar Vermeyi Etkileyen Hekim-Hasta Dinamiklerinin Tahmine Dayalı Modellemesi". Bilimsel Raporlar. 7: 42282. Bibcode:2017NatSR ... 742282B. doi:10.1038 / srep42282. PMC  5299453. PMID  28181568.
  4. ^ Simon, Tracey G; Kartoun, Uri; Zheng, Hui; Chan, Andrew T; Chung, Raymond T; Shaw, Stanley; Corey, Kathleen E (2017). "Son dönem karaciğer hastalığı modeli Na Skoru, alkolsüz yağlı karaciğer hastalığı olan hastalarda meydana gelen majör kardiyovasküler olayları öngörür". Hepatoloji İletişimi. 1 (5): 429–438. doi:10.1002 / hep4.1051. PMC  5659323. PMID  29085919.
  5. ^ Corey, Kathleen E; Kartoun, Uri; Zheng, Hui; Chung, Raymond T; Shaw, Stanley Y (2016). "Alkolsüz Yağlı Karaciğer Hastalığında Geleneksel Olmayan Kardiyovasküler Risk Faktörlerini Tanımlamak için Elektronik Tıbbi Kayıt Veritabanını Kullanma". Amerikan Gastroenteroloji Dergisi. 111 (5): 671–6. doi:10.1038 / ajg.2016.44. PMC  4864030. PMID  26925881.
  6. ^ Kartoun, Uri; et al. (2018). "Doktor Tarafından Belgelenmiş Uykusuzluğu Olan Hastaları Belirlemek İçin Bir Algoritmanın Geliştirilmesi". Bilimsel Raporlar. 8 (1): 7862. Bibcode:2018NatSR ... 8,7862K. doi:10.1038 / s41598-018-25312-z. PMC  5959894. PMID  29777125.
  7. ^ Meystre, S. M; Savova, G.K; Kipper-Schuler, K. C; Engel, J. F (2008). "Elektronik sağlık kaydındaki metin belgelerinden bilgi alma: Son araştırmaların bir incelemesi". Tıp Bilişimi Yıllığı: 128–44. PMID  18660887.
  8. ^ Wang, Yanshan; Wang, Liwei; Rastegar-Mojarad, Majid; Ay, Sungrim; Shen, Feichen; Afzal, Naveed; Liu, Sijia; Zeng, Yuqun; Mehrabi, Saeed; Sohn, Sunghwan; Liu, Hongfang (2018). "Klinik bilgi çıkarma uygulamaları: Bir literatür taraması". Biyomedikal Bilişim Dergisi. 77: 34–49. doi:10.1016 / j.jbi.2017.11.011. PMC  5771858. PMID  29162496.
  9. ^ CACM Personeli (2018). "Daha iyi hasta sonuçları için daha doğru metin analizi". ACM'nin iletişimi. 61 (10): 6–7. doi:10.1145/3273019. S2CID  52901757.
  10. ^ "GitHub - kartoun / text-nailing". 2018-01-07.
  11. ^ https://dl.acm.org/citation.cfm?id=3231559
  12. ^ Chen, Jonathan H; Asch Steven M (2017). "Tıpta Makine Öğrenimi ve Tahmin - Şişirilmiş Beklentilerin Zirvesinin Ötesinde". New England Tıp Dergisi. 376 (26): 2507–9. doi:10.1056 / NEJMp1702071. PMC  5953825. PMID  28657867.
  13. ^ CACM Personeli (2017). "Kaba gücün ötesinde". ACM'nin iletişimi. 60 (10): 8–9. doi:10.1145/3135241.
  14. ^ Kartoun, Uri (2018). "Tıpta veriye dayalı bulguların daha hızlı benimsenmesine doğru". Tıp, Sağlık ve Felsefe. 22 (1): 153–157. doi:10.1007 / s11019-018-9845-y. PMID  29882052. S2CID  46973857.