除了主要的诊断目的之外，放射学报告一直是医学研究中的宝贵信息来源。鉴于放射学报告的语料，研究人员往往有兴趣识别描述特定医疗发现的报告子集。由于放射学报告中的医学发现的空间是巨大的并且可能是无限的，最近的研究提出了在放射学报告中的自由文本陈述，从有限词汇中采取的半结构化串。本文旨在提出一种方法，用于自动生成放射学报告的半结构化表示。该方法包括匹配从放射学报告的句子来手动创建半结构化表示，然后学习序列到序列神经模型，将匹配的句子映射到它们的半结构化表示。我们在手动注释的胸部X射线放射学报告的Openi语料上进行了评估了所提出的方法。结果表明，所提出的方法优于几个基线，无论如何（1）诸如BLEU，RUEGE和流星等定量措施和放射科学家的定性判断。结果还表明，培训的模型对来自不同医疗提供者的胸X射线放射学报告的样本型语料库产生合理的半结构化表示。
translated by 谷歌翻译
随着物联网（IOT）继续增长，确保依赖无线物联网设备的系统的安全性变得严重重要。最近介绍了基于深度学习的被动物理层发射机授权系统，因为它们适应了这些设备的有限计算和电源预算。这些系统已被证明在固定授权发射机集上培训和测试时提供出色的异常检测精度。然而，在实际部署中，由于授权的发射机变化，可能会出现需要添加和删除的发射机。在这种情况下，系统可能会长时间经历，因为培训潜在的深度学习模型通常是耗时的过程。在本文中，我们从信息检索中汲取灵感来解决这个问题：通过利用特征向量作为RF指纹，我们首先证明可以简化培训，以使用当地敏感散列（LSH）将这些特征向量索引到数据库中。然后，我们示出了可以在数据库上执行近似最近的邻居搜索，以执行与深度学习模型的准确性匹配的发射机授权，同时允许更快的再培训超过100倍。此外，在特征向量上使用维度降低技术，以表明我们的技术的授权延迟可以减少以接近基于深度学习的系统的方法。
translated by 谷歌翻译