E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - Employing a bert deep learning model to distinguish classes of clinical and genomic entities in biomedical text

Αρχική Employing a bert deep learning model to distinguish classes of clinical and genomic entities in biomedical text

Αποτελέσματα - Λεπτομέρειες

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000451078

Τίτλος

Employing a bert deep learning model to distinguish classes of clinical and genomic entities in biomedical text

Άλλος τίτλος

Διάκριση κλινικών και γονιδιωματικών οντότητων που εμπεριέχονται σε βιοϊατρικά κείμενα με τη χρήση του μοντέλου βαθιάς μάθησης BERT

Συγγραφέας

Γιαννακούλα, Αμαλία

Σύμβουλος διατριβής

Καντεράκης, Αλέξανδρος

Περίληψη

Η ζήτηση για την απόκτηση κρίσιμων βιοϊατρικών δεδομένων και πληροφοριών μέσα από μια πληθώρα διαφορετικών κειμένων εντείνεται, καθώς η βιβλιογραφία που αφορά τη βιοϊατρική αυξάνεται καθημερινά. Οι μέθοδοι αναγνώρισης βιοϊατρικών οντοτήτων απαιτούν τη χρήση μοντέλων τεχνητών νευρωνικών δικτύων, τα οποία μπορούν να εντοπίσουν και να εξάγουν αυτόματα τα ζητούμενα χαρακτηριστικά, με τη μέγιστη δυνατή απόδοση. Ωστόσο, παρόλο που η ύπαρξη τεχνικών εξαγωγής κειμένου που χρησιμοποιούν νευρωνικά δίκτυα είναι ευρέως διαδεδομένη, δεν είναι ακόμη σαφές εάν κατά τη σύγκριση μεταξύ βιοϊατρικών και κλινικών οντοτήτων, υπάρχουν οντότητες που εντοπίζονται εντονότερα από το εκάστοτε μοντέλο. Ο στόχος της παρούσας διατριβής είναι να εξαγάγει προτάσεις που εμπεριέχουν συγκεκριμένες κατηγορίες βιοϊατρικών οντοτήτων όπως Ασθένειες, Πολυμορφισμός ενός νουκλεοτιδίου, Γονίδια και Χημικές ενώσεις, οι οποίες βρίσκονται κρυπτογραφημένες σε ειδικά διαμορφωμένα αρχεία, να τις συγκρίνει μεταξύ τους χρησιμοποιώντας μια τεχνική μηχανικής εκμάθησης βασισμένη σε μετασχηματιστές (Bidirectional Encoder Representation for Transformers) και να εξετάσει εάν το μοντέλο μπορεί να διακρίνει με επιτυχία αυτές τις οντότητες σε κάθε ζεύγος σύγκρισης. Τα αποτελέσματα των πειραμάτων έδειξαν πως το μοντέλο αποδίδει εξαιρετικά μόνο με την βασική εκπαίδευση, χωρίς να έχουν εφαρμοστεί κρίσιμες αλλαγές στον βασικό κορμό του κώδικα του. Ωστόσο, οι νέες προκλήσεις που εμφανίζονται καθημερινά, απαιτούν επιπλέον τη χρήση τεχνικών βελτιστοποίησης του κώδικα για μέγιστη απόδοση

Φυσική περιγραφή

62 σ. : πίν. σχήμ. ; 30 εκ.

Γλώσσα

Αγγλικά, Ελληνικά

Θέμα

Βιοϊατρική μέθοδοι αναγνώρισης

Τεχνική μηχανικής εκμάθησης

Ημερομηνία έκδοσης

2022-07-29

Συλλογή

Σχολή/Τμήμα--Ιατρική Σχολή--Τμήμα Ιατρικής--Μεταπτυχιακές εργασίες ειδίκευσης

Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης

Εμφανίσεις

339

Ψηφιακά τεκμήρια
	Κατέβασμα Εγγράφου Προβολή Εγγράφου Εμφανίσεις : 1