來源：投稿?作者：William

編輯：學姐

William

研究生畢業(yè)于美國TOP20大學

現(xiàn)就職國內(nèi)某互聯(lián)網(wǎng)大廠

賽題分析+baseline

1、賽題鏈接

https://www.kaggle.com/c/nbme-score-clinical-patient-notes

2、賽題描述

本次競賽的目標是通過建立一個模型來將不同病情的臨床表現(xiàn)在病例中找出，具體而言就是將病情描述+病人病例 一起輸入模型， 在病例中提取出對應的span位置。

商業(yè)價值：幫助醫(yī)生可以快速的定位病人的病情，從而對癥下藥

※ 比賽時間線

• 2022 2月 1日 年 - 開始日期。

  
  

• 2022 4 月 26 日 年 - 報名截止日期。 您必須在此日期之前接受比賽規(guī)則才能參加比賽。

  
  

• 2022 4 月 26 日 年 - 團隊合并截止日期。 這是參與者可以加入或合并團隊的最后一天。

  
  

• 2022 5 月 3 日 年 - 最終提交截止日期。

※ 豐厚的獎金

• 一等獎：15,000美元

• 二等獎：10,000美元

• 三等獎：8,000美元

• 四等獎：7,000美元

• 五等獎：5,000美元

• 六等獎：5,000美元

3、數(shù)據(jù)描述

本次比賽提供了5份數(shù)據(jù)分別是 train, test, features, patient_notes, submission， 其中test, submission為提交答案時用。

重點是如下3個文件

train文件標記了每個病例中，不同癥狀的相關(guān)描述

features中給出了所有病癥的名稱和id

patient_notes中給出了每份病例的詳細描述

3.1 訓練數(shù)據(jù)分析:

• id?- 一個unique 標記符來表示 patient note number - feature number對.

• pn_num?- patient note number 可以當成病例號.

• feature_num?- feature number 可以看作不同病癥的一個id.

• case_num?- 病例所屬的case id 之后會用來關(guān)聯(lián)起病人patient note的文本描述和對應癥狀的文本描述.

• annotation?- patient note中體現(xiàn)相關(guān)癥狀的描述， 一個病例中可能對同一個疾病癥狀存在多處描述.

• location?- annotation所在的病例中的char 級別的位置.

其中——

在標記數(shù)據(jù)中，有的病情會在病例中有多處體現(xiàn)，具體的分布如下：

可以看到大部分病情之在病例中有一處對應，大約有4399條在原文中并沒有找到對應的部分。

平均annotation 的char 級別長度為16.53，具體的分布如下：

下面是這個病例的內(nèi)容：

病例的char級別的長度分布如下

其實feature就是疾病對應的專業(yè)描述，像下面這個例子

病例的char級別的長度分布如下，平均char級別長度為23

4、評價指標

micro-averaged：

https://scikit-learn.org/stable/modules/model_evaluation.html#from-binary-to-multiclass-and-multilabel

F1 ：

https://scikit-learn.org/stable/modules/model_evaluation.html#precision-recall-f-measure-metrics

5、構(gòu)建訓練數(shù)據(jù)

下面演示如何將3個數(shù)據(jù)merge到一起， 具體可以詳見baseline代碼，里面有更為詳細的介紹。

領(lǐng)baseline代碼

關(guān)注【學姐帶你玩AI】公眾號

回復“top”添加小享領(lǐng)取

merge以后數(shù)據(jù)張這樣子， feature text是疾病名稱，pn history就是病例annotation就是對應的體現(xiàn)這種疾病的具體描述。

根據(jù)label 生成 tensor，結(jié)合代碼，我們看一下label 數(shù)據(jù)是怎么生成的

舉個例子(不一定對應真實數(shù)據(jù)，僅作為說明使用)：

6、Baseline流程

1、加載數(shù)據(jù)，切分CV，定義dataloader

2、定義模型

3、定義訓練函數(shù)

4、定義eval函數(shù)

5、調(diào)參完成訓練，上傳權(quán)重提交成績

7、賽題難點思考

1、label中大量為0， 1很少label不平橫對模型的影響

2、專業(yè)領(lǐng)域很多簡稱和沒有在vocab中收錄的詞會不會對模型造成影響

8、無痛漲分Trick

• 多drop out 對比學習

• 對抗訓練

• r_drop

• 模型融合

領(lǐng)baseline代碼

關(guān)注【學姐帶你玩AI】公眾號

回復“top”添加小享領(lǐng)取