深度学习实体关系抽取研究综述

实体关系抽取作为信息抽取、自然语言理解、信息检索等领域的核心任务和重要环节,能够从文本中抽取实体对间的语义关系.近年来,深度学习在联合学习、远程监督等方面上的应用,使关系抽取任务取得了较为丰富的研究成果.目前,基于深度学习的实体关系抽取技术,在特征提取的深度和模型的精确度上已经逐渐超过了传统基于特征和核函数的方法.围绕有监督和远程监督两个领域,系统总结了近几年来中外学者基于深度学习的实体关系抽取研究进展,并对未来可能的研究方向进行了探讨和展望.

深度学习方法在糖尿病视网膜病变诊断中的应用

深度学习可以有效提取图像隐含特征,在医学影像识别方面的应用快速发展.由于糖尿病视网膜病变(Diabetic retinopathy,DR)诊断标准明确、分类体系成熟,应用深度学习诊断糖尿病视网膜病变近年来成为研究热点.本文从深度学习方法在DR诊断中的最新研究进展、DR诊断的一般流程、公共数据集、医学影像标注方法、主要实现模型、面临的主要挑战几方面,对深度学习方法在糖尿病视网膜病变诊断中的应用进行了详细综述,便于更多机器视觉、尤其是深度学习医学影像的研究者们参照对比,加快该领域研究的成熟度和临床落地应用.

用于湿性AMD辅助诊断的双模态深度学习模型

为解决眼科医生阅片工作量过大的问题,将深度学习技术应用于湿性年龄相关性黄斑变性(AMD)辅助诊断领域.针对只考虑单一模态的医学影像且未将湿性AMD进行更细化的分类,构建了适用于深度学习的双模态湿性AMD数据集,并提出一种双模态湿性AMD辅助诊断模型Wet-AMD-Net.针对不同的特征提取模型与不同的特征融合策略进行实验,效果最优的模型受试者工作特征曲线下面积(AUROC)、召回率、精确度分别达到0.9881,0.9792和0.9821,超过了有多年工作经验的4位眼科医生的平均水平,用于临床辅助诊断具有实用性.