JP6975253B2 - エンティティ間のコンテキスト的類似度の学習及び適用 - Google Patents
エンティティ間のコンテキスト的類似度の学習及び適用 Download PDFInfo
- Publication number
- JP6975253B2 JP6975253B2 JP2019556710A JP2019556710A JP6975253B2 JP 6975253 B2 JP6975253 B2 JP 6975253B2 JP 2019556710 A JP2019556710 A JP 2019556710A JP 2019556710 A JP2019556710 A JP 2019556710A JP 6975253 B2 JP6975253 B2 JP 6975253B2
- Authority
- JP
- Japan
- Prior art keywords
- context
- entity
- similarity
- function
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medicinal Chemistry (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
本願は、2017年4月20日に出願された米国仮出願第62/487,720号の優先権及び利益を主張し、その全体は参照により本明細書に組み込まれる。
[0036] 次に、テンプレート類似度関数118を生成する技術の1つについて説明する。なお、この説明は限定を意味するものではなく、他の技術及び/又はテンプレート類似度関数を使用することもできる。また、本明細書で「テンプレート類似度関数」との用語を使用するが、これは限定を意味するものではない。これらの関数は「カーネル」とも呼ばれる。当該説明のために、クエリ患者(例えば臨床医が治療等に関する決定をしたい患者)はpqと示し、pqが比較される各候補患者はpcと示す。
[0040] 次に、機械学習モデル120をトレーニングして、m個のテンプレート類似度関数118の集約出力に基づいて総合類似度スコアを生成するための例示的な技術について説明する。幾つかの実施形態では、機械学習モデル120は、m個のテンプレート類似度関数の出力の凸結合であってよい合成類似度関数、SC(pq,pc)であってよい。例えば幾つかの実施形態では、合成類似度関数は、次式:
[0044] 図3から図5は、図1の臨床医決定アプリケーション112によってディスプレイ画面上にレンダリングされる例示的なグラフィカルユーザインターフェース(「GUI」)を示す。ここで図3を参照すると、例えば臨床医がクエリ患者の記録を取り出したときに、臨床医はダッシュボードGUI300を見ることができる。この例では、ダッシュボードGUI300のタイトルバーに示されているように、クエリ患者の名前は「ジョン・ドゥ(John Doe)」である。臨床医は、ダッシュボードGUI300によってクエリ患者の現在の臨床状態の概要を得ることができる。幾つかの異なるパネルがあり、図3では4つのパネル(3301〜4)が示されているが、各パネルは、特定の解剖学的器官の概要、特定の疾患の状態等といったクエリ患者の状態のコンテキスト固有の側面をそれぞれ伝える。例えば第1のパネル3301は、心血管の健康状態の概要を示す。第2のパネル3302は、クエリ患者の心腎症候群(「CRS」)の概要を示す。第3のパネル3303は、クエリ患者の肝臓系の概要を示す。第4のパネル3304は、クエリ患者の呼吸器系の概要を示す。これらのパネル3301〜4は単なる例であり、他の臨床的コンテキストの概要を示すより多い又はより少ないパネルがあってよい。
Claims (20)
- 比較システムを使用して、類似度を決定するためのコンテキスト固有モデルをトレーニングし、適用する方法であって、前記方法は、
複数のテンプレート類似度関数を提供するステップであって、前記複数のテンプレート類似度関数のうちの各テンプレート類似度関数は、クエリエンティティ特徴ベクトルのそれぞれの特徴のサブセットを、候補エンティティ特徴ベクトルの対応する特徴のサブセットと比較する、ステップと、
前記複数のテンプレート類似度関数のそれぞれの出力の重み付け結合として合成類似度関数を提供するステップと、
第1のコンテキストトレーニングデータとして、第1の複数のラベル付きエンティティベクトルを提供するステップと、
前記第1のコンテキストトレーニングデータの各ラベル付きエンティティベクトルについて、前記合成類似度関数の出力と、前記第1のコンテキストトレーニングデータの他のラベル付きエンティティベクトルのそれぞれの第1のコンテキストラベルとに基づいて、それぞれのラベル付きエンティティベクトルデータに対する第1のコンテキストラベルを近似させるように近似関数を適用するステップと、
前記合成類似度関数に基づいて、第1のコンテキスト固有の合成類似度関数をトレーニングするステップであって、前記トレーニングするステップは、前記第1のコンテキストトレーニングデータへの前記近似関数の適用の出力に基づいて、第1の損失関数を使用して、前記複数のテンプレート類似度関数に対する第1のコンテキスト重みを学習するステップを含み、前記第1のコンテキスト重みは、前記第1のコンテキスト固有の合成類似度関数の一部として使用するために格納される、ステップと、
クエリエンティティを受信するステップと、
トレーニングされた前記第1のコンテキスト固有の合成類似度関数を、前記クエリエンティティに適用して、前記クエリエンティティのエンティティ特徴ベクトルと、各々が候補エンティティを表す複数の候補エンティティ特徴ベクトルの各々との間の類似度尺度を決定するステップと、
決定された前記類似度尺度に基づいて、2つ以上の前記候補エンティティ特徴ベクトルを選択するステップと、
前記決定された類似度尺度に基づいて、選択された前記2つ以上の候補エンティティ特徴ベクトルによって表される2つ以上の候補エンティティをランク付けするステップであって、前記候補エンティティは、前記クエリエンティティと前記候補エンティティとの間の最も近い類似度を表す類似度尺度を用いてランク付けされる、ステップと、
ユーザインターフェース上に、ランク付けされた前記2つ以上の候補エンティティのランクリストを表示するステップと、
臨床医決定アプリケーションによって、前記ランク付けされた2つ以上の前記候補エンティティの前記ランクリストに基づいて、前記クエリエンティティに関する決定を行うステップと、
を含む、方法。 - 第2のコンテキストトレーニングデータとして、第2の複数のラベル付きエンティティベクトルを提供するステップと、
前記第2のコンテキストトレーニングデータの各ラベル付きエンティティベクトルについて、前記合成類似度関数の出力と、前記第2のコンテキストトレーニングデータの他のラベル付きエンティティベクトルのそれぞれの第2のコンテキストラベルとに基づいて、それぞれのラベル付きエンティティベクトルデータの第2のコンテキストラベルを近似させるように前記近似関数を適用するステップと、
前記合成類似度関数に基づいて、第2のコンテキスト固有の合成類似度関数をトレーニングするステップであって、前記トレーニングするステップは、前記第2のコンテキストトレーニングデータへの前記近似関数の適用の出力に基づいて、第2の損失関数を使用して、前記複数のテンプレート類似度関数に対する第2のコンテキスト重みを学習するステップを含み、前記第2のコンテキスト重みは、前記第2のコンテキスト固有の合成類似度関数の一部として使用するために格納される、ステップと、
を更に含む、請求項1に記載の方法。 - 前記第1のコンテキスト固有の合成類似度関数を、後続のクエリエンティティ特徴ベクトル及び後続の候補エンティティ特徴ベクトルに適用して、第1の医学的コンテキストにおける前記後続のクエリエンティティ特徴ベクトルと、前記後続の候補エンティティ特徴ベクトルとの間の類似度尺度を決定し、
前記第2のコンテキスト固有の合成類似度関数を、前記後続のクエリエンティティ特徴ベクトル及び前記後続の候補エンティティ特徴ベクトルに適用して、前記第1の医学的コンテキストとは異なる第2の医学的コンテキストにおける前記後続のクエリエンティティ特徴ベクトルと、前記後続の候補エンティティ特徴ベクトルとの間の別の類似度尺度を決定する、
請求項2に記載の方法。 - 前記第1の医学的コンテキストは、血行動態安定性を含む、請求項3に記載の方法。
- 前記第2の医学的コンテキストは、急性腎障害を含む、請求項4に記載の方法。
- 前記複数のテンプレート類似度関数を提供するステップは、
前記クエリエンティティ特徴ベクトル及び前記候補エンティティ特徴ベクトルによって共有される少なくとも1つの特徴を選択するステップと、
複数の候補エンティティにわたる選択された前記少なくとも1つの特徴の母集団分布を決定するステップと、
決定された前記母集団分布に従って、前記クエリエンティティ特徴ベクトルの選択された特徴値と、前記候補エンティティ特徴ベクトルの選択された特徴値との間の選択された特徴値を有する任意のエンティティの累積確率スコアを計算する、前記複数のテンプレート類似度関数のうちの所与のテンプレート類似度関数を提供するステップと、
を含む、請求項1に記載の方法。 - 前記所与のテンプレート類似度関数は、前記決定された母集団分布にわたる他のエンティティに対する前記クエリエンティティ特徴ベクトル及び前記候補エンティティ特徴ベクトルの少なくとも一方の平均類似度スコアに基づいて更に正規化される、請求項6に記載の方法。
- 前記近似関数は、カーネル平滑化関数を含む、請求項1に記載の方法。
- 1つ以上のプロセッサと、前記1つ以上のプロセッサに動作可能に結合されるメモリとを含むシステムであって、前記メモリは、前記1つ以上のプロセッサによる命令の実行に応答して、前記1つ以上のプロセッサに、
複数のテンプレート類似度関数を提供する演算であって、前記複数のテンプレート類似度関数のうちの各テンプレート類似度関数は、クエリエンティティ特徴ベクトルのそれぞれの特徴のサブセットを、候補エンティティ特徴ベクトルの対応する特徴のサブセットと比較する、演算と、
前記複数のテンプレート類似度関数のそれぞれの出力の重み付け結合として合成類似度関数を提供する演算と、
第1のコンテキストトレーニングデータとして、第1の複数のラベル付きエンティティベクトルを提供する演算と、
前記第1のコンテキストトレーニングデータの各ラベル付きエンティティベクトルについて、前記合成類似度関数の出力と、前記第1のコンテキストトレーニングデータの他のラベル付きエンティティベクトルのそれぞれの第1のコンテキストラベルとに基づいて、それぞれのラベル付きエンティティベクトルデータに対する第1のコンテキストラベルを近似させるように近似関数を適用する演算と、
前記合成類似度関数に基づいて、第1のコンテキスト固有の合成類似度関数をトレーニングする演算であって、前記トレーニングする演算は、前記第1のコンテキストトレーニングデータへの前記近似関数の適用の出力に基づいて、第1の損失関数を使用して、前記複数のテンプレート類似度関数の第1のコンテキスト重みを学習する演算を含み、前記第1のコンテキスト重みは、前記第1のコンテキスト固有の合成類似度関数の一部として使用するために格納される、演算と、
クエリエンティティを受信する演算と、
トレーニングされた前記第1のコンテキスト固有の合成類似度関数を、前記クエリエンティティに適用して、前記クエリエンティティのエンティティ特徴ベクトルと、各々が候補エンティティを表す複数の候補エンティティ特徴ベクトルの各々との間の類似度尺度を決定する演算と、
決定された前記類似度尺度に基づいて、2つ以上の前記候補エンティティ特徴ベクトルを選択する演算と、
前記決定された類似度尺度に基づいて、選択された前記2つ以上の候補エンティティ特徴ベクトルによって表される2つ以上の候補エンティティをランク付けする演算であって、前記候補エンティティは、前記クエリエンティティと前記候補エンティティとの間の最も近い類似度を表す類似度尺度を用いてランク付けされる、演算と、
ユーザインターフェース上に、ランク付けされた前記2つ以上の前記候補エンティティのランクリストを表示する演算と、
臨床医決定アプリケーションによって、前記ランク付けされた2つ以上の前記候補エンティティの前記ランクリストに基づいて、前記クエリエンティティに関する決定を決定する演算と、
を行わせる前記命令を格納する、システム。 - 第2のコンテキストトレーニングデータとして、第2の複数のラベル付きエンティティベクトルを提供する演算と、
前記第2のコンテキストトレーニングデータの各ラベル付きエンティティベクトルについて、前記合成類似度関数の出力と、前記第2のコンテキストトレーニングデータの他のラベル付きのエンティティベクトルのそれぞれの第2のコンテキストラベルとに基づいて、それぞれのラベル付きエンティティベクトルデータの第2のコンテキストラベルを近似させるように前記近似関数を適用する演算と、
前記合成類似度関数に基づいて、第2のコンテキスト固有の合成類似度関数をトレーニングする演算であって、前記トレーニングする演算は、前記第2のコンテキストトレーニングデータへの前記近似関数の適用の出力に基づいて、第2の損失関数を使用して、前記複数のテンプレート類似度関数の第2のコンテキスト重みを学習する演算を含み、前記第2のコンテキスト重みは、前記第2のコンテキスト固有の合成類似度関数の一部として使用するために格納される、演算と、
を行わせる命令を更に含む、請求項9に記載のシステム。 - 前記第1のコンテキスト固有の合成類似度関数を、後続のクエリエンティティ特徴ベクトル及び後続の候補エンティティ特徴ベクトルに適用して、第1の医学的コンテキストにおける前記後続のクエリエンティティ特徴ベクトルと前記後続の候補エンティティ特徴ベクトルとの間の類似度尺度を決定し、
前記第2のコンテキスト固有の合成類似度関数を、前記後続のクエリエンティティ特徴ベクトル及び前記後続の候補エンティティ特徴ベクトルに適用して、前記第1の医学的コンテキストとは異なる第2の医学的コンテキストにおける前記後続のクエリエンティティ特徴ベクトルと前記後続の候補エンティティ特徴ベクトルとの間の別の類似度尺度を決定する、
請求項10に記載のシステム。 - 前記第1の医学的コンテキストは、血行動態安定性を含む、請求項11に記載のシステム。
- 前記第2の医学的コンテキストは、急性腎障害を含む、請求項12に記載のシステム。
- 前記複数のテンプレート類似度関数を提供する演算は、
前記クエリエンティティ特徴ベクトル及び前記候補エンティティ特徴ベクトルによって共有される少なくとも1つの特徴を選択する演算と、
複数の候補エンティティにわたる選択された前記少なくとも1つの特徴の母集団分布を決定する演算と、
決定された前記母集団分布に従って、前記クエリエンティティ特徴ベクトルの選択された特徴値と、前記候補エンティティ特徴ベクトルの選択された特徴値との間の選択された特徴値を有する任意のエンティティの累積確率スコアを計算する、前記複数のテンプレート類似度関数のうちの所与のテンプレート類似度関数を提供する演算と、
を含む、請求項9に記載のシステム。 - 前記所与のテンプレート類似度関数は、前記決定された母集団分布にわたる他のエンティティに対する前記クエリエンティティ特徴ベクトル及び前記候補エンティティ特徴ベクトルの少なくとも一方の平均類似度スコアに基づいて更に正規化される、請求項14に記載のシステム。
- 前記近似関数は、カーネル平滑化関数を含む、請求項9に記載のシステム。
- 1つ以上のプロセッサによる命令の実行に応答して、前記1つ以上のプロセッサに、
複数のテンプレート類似度関数を提供する演算であって、前記複数のテンプレート類似度関数のうちの各テンプレート類似度関数は、クエリエンティティ特徴ベクトルのそれぞれの特徴のサブセットを、候補エンティティ特徴ベクトルの対応する特徴のサブセットと比較する、演算と、
前記複数のテンプレート類似度関数のそれぞれの出力の重み付け結合として合成類似度関数を提供する演算と、
第1のコンテキストトレーニングデータとして、第1の複数のラベル付きエンティティベクトルを提供する演算と、
前記第1のコンテキストトレーニングデータの各ラベル付きエンティティベクトルについて、前記合成類似度関数の出力と、前記第1のコンテキストトレーニングデータの他のラベル付きエンティティベクトルのそれぞれの第1のコンテキストラベルとに基づいて、それぞれのラベル付きエンティティベクトルデータに対する第1のコンテキストラベルを近似させるように近似関数を適用する演算と、
前記合成類似度関数に基づいて、第1のコンテキスト固有の合成類似度関数をトレーニングする演算であって、前記トレーニングする演算は、前記第1のコンテキストトレーニングデータへの前記近似関数の適用の出力に基づいて、第1の損失関数を使用して、前記複数のテンプレート類似度関数の第1のコンテキスト重みを学習する演算を含み、前記第1のコンテキスト重みは、前記第1のコンテキスト固有の合成類似度関数の一部として使用するために格納される、演算と、
クエリエンティティを受信する演算と、
トレーニングされた前記第1のコンテキスト固有の合成類似度関数を、前記クエリエンティティに適用して、前記クエリエンティティのエンティティ特徴ベクトルと、各々が候補エンティティを表す複数の候補エンティティ特徴ベクトルの各々との間の類似度尺度を決定する演算と、
決定された前記類似度尺度に基づいて、2つ以上の前記候補エンティティ特徴ベクトルを選択する演算と、
前記決定された類似度尺度に基づいて、選択された前記2つ以上の候補エンティティ特徴ベクトルによって表される2つ以上の候補エンティティをランク付けする演算であって、前記候補エンティティは、前記クエリエンティティと前記候補エンティティとの間の最も近い類似度を表す類似度尺度を用いてランク付けされる、演算と、
ユーザインターフェース上に、ランク付けされた前記2つ以上の前記候補エンティティのランクリストを表示する演算と、
臨床医決定アプリケーションによって、前記ランク付けされた2つ以上の前記候補エンティティの前記ランクリストに基づいて、前記クエリエンティティに関する決定を決定する演算と、
を行わせる前記命令を含む、少なくとも1つの非一時的コンピュータ可読媒体。 - 第2のコンテキストトレーニングデータとして、第2の複数のラベル付きエンティティベクトルを提供する演算と、
前記第2のコンテキストトレーニングデータの各ラベル付きエンティティベクトルについて、前記合成類似度関数の出力と、前記第2のコンテキストトレーニングデータの他のラベル付きエンティティベクトルのそれぞれの第2のコンテキストラベルとに基づいて、それぞれのラベル付きエンティティベクトルデータの第2のコンテキストラベルを近似させるように前記近似関数を適用する演算と、
前記合成類似度関数に基づいて、第2のコンテキスト固有の合成類似度関数をトレーニングする演算であって、前記トレーニングする演算は、前記第2のコンテキストトレーニングデータへの前記近似関数の適用の出力に基づいて、第2の損失関数を使用して、前記複数のテンプレート類似度関数の第2のコンテキスト重みを学習する演算を含み、前記第2のコンテキスト重みは、前記第2のコンテキスト固有の合成類似度関数の一部として使用するために格納される、演算と、
を行わせる命令を更に含む、請求項17に記載の少なくとも1つの非一時的コンピュータ可読媒体。 - 前記第1のコンテキスト固有の合成類似度関数を、後続のクエリエンティティ特徴ベクトル及び後続の候補エンティティ特徴ベクトルに適用して、第1の医学的コンテキストにおける前記後続のクエリエンティティ特徴ベクトルと前記後続の候補エンティティ特徴ベクトルとの間の類似度尺度を決定することができ、
前記第2のコンテキスト固有の合成類似度関数を、前記後続のクエリエンティティ特徴ベクトル及び前記後続の候補エンティティ特徴ベクトルに適用して、前記第1の医学的コンテキストとは異なる第2の医学的コンテキストにおける前記後続のクエリエンティティ特徴ベクトルと前記後続の候補エンティティ特徴ベクトルとの間の別の類似度尺度を決定することができる、
請求項18に記載の少なくとも1つの非一時的コンピュータ可読媒体。 - 前記第1の医学的コンテキストは、血行動態安定性を含む、請求項19に記載の少なくとも1つの非一時的コンピュータ可読媒体。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762487720P | 2017-04-20 | 2017-04-20 | |
US62/487,720 | 2017-04-20 | ||
US201762608878P | 2017-12-21 | 2017-12-21 | |
US62/608,878 | 2017-12-21 | ||
PCT/EP2018/059358 WO2018192831A1 (en) | 2017-04-20 | 2018-04-12 | Learning and applying contextual similarities between entities |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020518050A JP2020518050A (ja) | 2020-06-18 |
JP2020518050A5 JP2020518050A5 (ja) | 2021-08-19 |
JP6975253B2 true JP6975253B2 (ja) | 2021-12-01 |
Family
ID=62089718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019556710A Active JP6975253B2 (ja) | 2017-04-20 | 2018-04-12 | エンティティ間のコンテキスト的類似度の学習及び適用 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11126921B2 (ja) |
EP (1) | EP3613060A1 (ja) |
JP (1) | JP6975253B2 (ja) |
CN (1) | CN110770850B (ja) |
WO (1) | WO2018192831A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10438130B2 (en) * | 2015-12-01 | 2019-10-08 | Palo Alto Research Center Incorporated | Computer-implemented system and method for relational time series learning |
US20190019107A1 (en) * | 2017-07-12 | 2019-01-17 | Samsung Electronics Co., Ltd. | Method of machine learning by remote storage device and remote storage device employing method of machine learning |
WO2019186650A1 (en) * | 2018-03-26 | 2019-10-03 | Nec Corporation | Kernel learning apparatus using transformed convex optimization problem |
RU2731658C2 (ru) | 2018-06-21 | 2020-09-07 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система выбора для ранжирования поисковых результатов с помощью алгоритма машинного обучения |
RU2744029C1 (ru) * | 2018-12-29 | 2021-03-02 | Общество С Ограниченной Ответственностью "Яндекс" | Система и способ формирования обучающего набора для алгоритма машинного обучения |
US11646116B2 (en) * | 2019-03-22 | 2023-05-09 | International Business Machines Corporation | Intelligent identification of appropriate sections of clinical practical guideline |
US11783189B2 (en) * | 2019-08-29 | 2023-10-10 | Nec Corporation | Adversarial cooperative imitation learning for dynamic treatment |
US11107555B2 (en) | 2019-10-02 | 2021-08-31 | Kpn Innovations, Llc | Methods and systems for identifying a causal link |
US11373095B2 (en) * | 2019-12-23 | 2022-06-28 | Jens C. Jenkins | Machine learning multiple features of depicted item |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702631B1 (en) * | 2006-03-14 | 2010-04-20 | Google Inc. | Method and system to produce and train composite similarity functions for product normalization |
US8768718B2 (en) * | 2006-12-27 | 2014-07-01 | Cardiac Pacemakers, Inc. | Between-patient comparisons for risk stratification of future heart failure decompensation |
US7899764B2 (en) * | 2007-02-16 | 2011-03-01 | Siemens Aktiengesellschaft | Medical ontologies for machine learning and decision support |
GB201200643D0 (en) * | 2012-01-16 | 2012-02-29 | Touchtype Ltd | System and method for inputting text |
US8566268B2 (en) * | 2010-10-08 | 2013-10-22 | International Business Machines Corporation | System and method for composite distance metric leveraging multiple expert judgments |
US20130268547A1 (en) * | 2010-12-16 | 2013-10-10 | Koninklijke Philips N.V. | System and method for clinical decision support for therapy planning using case-based reasoning |
CN102033933B (zh) * | 2010-12-17 | 2012-02-01 | 南方医科大学 | 最大化平均查准率均值的距离测度优化方法 |
CN103477353A (zh) * | 2011-03-16 | 2013-12-25 | 皇家飞利浦有限公司 | 用于医学数据的智能链接的方法和系统 |
US8965818B2 (en) * | 2012-05-16 | 2015-02-24 | Siemens Aktiengesellschaft | Method and system for supporting a clinical diagnosis |
US8788439B2 (en) * | 2012-12-21 | 2014-07-22 | InsideSales.com, Inc. | Instance weighted learning machine learning model |
US9417256B2 (en) | 2012-12-12 | 2016-08-16 | Repsol, S. A. | System, method and program product for automatically matching new members of a population with analogous members |
US20160103973A1 (en) * | 2014-01-03 | 2016-04-14 | Foundation Medicine, Inc. | Computer-implemented system and method for identifying similar patients |
US9135571B2 (en) * | 2013-03-12 | 2015-09-15 | Nuance Communications, Inc. | Methods and apparatus for entity detection |
US9754081B2 (en) * | 2013-05-14 | 2017-09-05 | The Regents Of The University Of California | Context-aware prediction in medical systems |
CN103530651A (zh) * | 2013-10-22 | 2014-01-22 | 东南大学 | 一种基于标记分布的头部姿态估计方法 |
US11495355B2 (en) * | 2014-05-15 | 2022-11-08 | The Johns Hopkins University | Method, system and computer-readable media for treatment plan risk analysis |
US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
US9792549B2 (en) * | 2014-11-21 | 2017-10-17 | International Business Machines Corporation | Extraction of semantic relations using distributional relation detection |
EP3234841A4 (en) | 2014-12-17 | 2018-08-29 | Foundation Medicine, Inc. | Computer-implemented system and method for identifying similar patients |
CN106326906B (zh) * | 2015-06-17 | 2019-11-01 | 姚丽娜 | 活动识别方法和装置 |
US20200327404A1 (en) * | 2016-03-28 | 2020-10-15 | Icahn School Of Medicine At Mount Sinai | Systems and methods for applying deep learning to data |
US20180032678A1 (en) * | 2016-07-29 | 2018-02-01 | International Business Machines Corporation | Medical recording system |
EP3306617A1 (en) * | 2016-10-06 | 2018-04-11 | Fujitsu Limited | Method and apparatus of context-based patient similarity |
-
2018
- 2018-04-12 WO PCT/EP2018/059358 patent/WO2018192831A1/en unknown
- 2018-04-12 JP JP2019556710A patent/JP6975253B2/ja active Active
- 2018-04-12 EP EP18720984.6A patent/EP3613060A1/en not_active Withdrawn
- 2018-04-12 CN CN201880040923.6A patent/CN110770850B/zh active Active
- 2018-04-19 US US15/957,232 patent/US11126921B2/en active Active
-
2021
- 2021-09-17 US US17/477,615 patent/US11875277B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11126921B2 (en) | 2021-09-21 |
US20220004906A1 (en) | 2022-01-06 |
US20180307995A1 (en) | 2018-10-25 |
CN110770850A (zh) | 2020-02-07 |
US11875277B2 (en) | 2024-01-16 |
CN110770850B (zh) | 2024-03-08 |
EP3613060A1 (en) | 2020-02-26 |
WO2018192831A1 (en) | 2018-10-25 |
JP2020518050A (ja) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6975253B2 (ja) | エンティティ間のコンテキスト的類似度の学習及び適用 | |
Zhang et al. | Shifting machine learning for healthcare from development to deployment and from models to data | |
Dey et al. | Artificial intelligence in cardiovascular imaging: JACC state-of-the-art review | |
Sekeroglu et al. | <? COVID19?> detection of covid-19 from chest x-ray images using convolutional neural networks | |
US11864944B2 (en) | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart | |
Choe et al. | Content-based image retrieval by using deep learning for interstitial lung disease diagnosis with chest CT | |
Amal et al. | Use of multi-modal data and machine learning to improve cardiovascular disease care | |
US11288279B2 (en) | Cognitive computer assisted attribute acquisition through iterative disclosure | |
WO2019229562A1 (en) | Personalized device recommendations for proactive health monitoring and management | |
WO2021098534A1 (zh) | 相似度确定、网络训练、查找方法及装置、电子装置和存储介质 | |
Li et al. | Multithreshold change plane model: Estimation theory and applications in subgroup identification | |
Karaca et al. | Stroke Subtype Clustering by Multifractal Bayesian Denoising with Fuzzy C Means and K‐Means Algorithms | |
US20220292405A1 (en) | Methods, systems, and frameworks for data analytics using machine learning | |
US20210398677A1 (en) | Predicting changes in medical conditions using machine learning models | |
Yang et al. | Right ventricular stroke work correlates with outcomes in pediatric pulmonary arterial hypertension | |
Teo et al. | Discovering the predictive value of clinical notes: machine learning analysis with text representation | |
WO2020185758A1 (en) | Systems and methods for assessing a likelihood of cteph and identifying characteristics indicative thereof | |
JP7346419B2 (ja) | エンティティ間のコンテキスト的類似性の学習および適用 | |
US20210335457A1 (en) | Mapping a patient to clinical trials for patient specific clinical decision support | |
CN113223698B (zh) | 急诊分级处理方法、装置、电子设备以及存储介质 | |
US20240233891A1 (en) | Clinical system integration | |
Martín-Rodríguez et al. | Use of Machine Learning Techniques for Predicting Heart Disease Risk from Phone Enquiries Data | |
TW202407713A (zh) | 識別高風險患者以進行保護性經皮冠狀動脈介入治療之方法及設備 | |
Krishnaswami et al. | Can we improve mortality estimation in women after treadmill testing by using sex-specific scores? | |
WO2024064852A1 (en) | Spacetime attention for clinical outcome prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210409 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210409 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210706 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210706 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211008 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211105 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6975253 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |