Summarization of medical reports
Els treballadors mèdics han de fer front a grans quantitats de casos de pacients cada dia. L'ús de tècniques d'intel·ligència artificial com el resum automàtic pot ajudar a reduir la seva càrrega i millorar l'atenció al pacient. Aquest és el problema a resoldre proposat a la Shared Ta...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Recursos: | Universitat Politècnica de Catalunya (UPC) |
| Repositorio: | UPCommons. Portal del coneixement obert de la UPC |
| Idioma: | inglés |
| OAI Identifier: | oai:upcommons.upc.edu:2117/399250 |
| Acesso em linha: | https://hdl.handle.net/2117/399250 |
| Access Level: | acceso abierto |
| Palavra-chave: | Automatic abstracting Records--Management Artificial intelligence Intel·ligència artificial Named Entity Recognition Summarization BERT BioMedical finetuning anotament de dades augment de dades Artificial Intelligence data annotation data augmentation Resums analítics--Redacció automàtica Gestió dels documents Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial |
| Resumo: | Els treballadors mèdics han de fer front a grans quantitats de casos de pacients cada dia. L'ús de tècniques d'intel·ligència artificial com el resum automàtic pot ajudar a reduir la seva càrrega i millorar l'atenció al pacient. Aquest és el problema a resoldre proposat a la Shared Task darrere de la proposta de projecte. Aquesta tasca proporciona un conjunt de dades perquè els participants puguin entrenar les seves solucions i després provar-les en un conjunt de proves privat, que conté 768 notes de progrés diaris de l'hospital a partir de les quals es generen un resum de les diferents notes del pacient que enumera els diferents diagnòstics i problemes de salut. La proposta es basa en el fine-tuning del model pre-entrenat de llenguatge BERT, per al Named Entity Recognition per tal d'extreure els tokens més importants de les notes i combinar totes aquestes paraules clau per aconseguir una llista resum de problemes i diagnòstic. Abans del fine-tuning, les dades passen per una anàlisi exhaustiva i neteja per fer-les viable, i també, per adaptar el corpus a la classificació de tokens, cal anotar les dades. Els experiments se centren en l'impacte de diferents passos de preprocessament en els conjunts de dades, els canvis en l'entrenament del model utilitzat com a base per a l'ajustament, així com l'addició de tècniques de postprocessament i tècniques d'augment de dades. |
|---|