ترجمه فارسی مقاله بهبود شناسایی VTE از طریق مدل های زبان از گزارش های رادیولوژی: یک مطالعه مقایسه ای Mamba ، Phi-3 Mini و Bert

چکیده

Venous thromboembolism (VTE) is a critical cardiovascular condition, encompassing deep vein thrombosis (DVT) and pulmonary embolism (PE). Accurate and timely identification of VTE is essential for effective medical care. This study builds upon our previous work, which addressed VTE detection using deep learning methods for DVT and a hybrid approach combining deep learning and rule-based classification for PE. Our earlier approaches, while effective, had two major limitations: they were complex and required expert involvement for feature engineering of the rule set. To overcome these challenges, we utilize the Mamba architecture-based classifier. This model achieves remarkable results, with a 97\% accuracy and F1 score on the DVT dataset and a 98\% accuracy and F1 score on the PE dataset. In contrast to the previous hybrid method on PE identification, the Mamba classifier eliminates the need for hand-engineered rules, significantly reducing model complexity while maintaining comparable performance. Additionally, we evaluated a lightweight Large Language Model (LLM), Phi-3 Mini, in detecting VTE. While this model delivers competitive results, outperforming the baseline BERT models, it proves to be computationally intensive due to its larger parameter set. Our evaluation shows that the Mamba-based model demonstrates superior performance and efficiency in VTE identification, offering an effective solution to the limitations of previous approaches.

چکیده به فارسی (ترجمه ماشینی)

ترومبوآمبولی وریدی (VTE) یک بیماری قلبی عروقی مهم است که شامل ترومبوز ورید عمیق (DVT) و آمبولی ریوی (PE) است.شناسایی دقیق و به موقع VTE برای مراقبت های پزشکی مؤثر ضروری است.این مطالعه بر اساس کار قبلی ما ساخته شده است ، که به تشخیص VTE با استفاده از روشهای یادگیری عمیق برای DVT و یک رویکرد ترکیبی ترکیبی از یادگیری عمیق و طبقه بندی مبتنی بر قانون برای PE پرداخته شده است.رویکردهای قبلی ما ، در حالی که مؤثر بود ، دو محدودیت اصلی داشت: آنها پیچیده بودند و برای مهندسی ویژگی های مجموعه قانون ، درگیری تخصصی لازم بودند.برای غلبه بر این چالش ها ، ما از طبقه بندی کننده مبتنی بر معماری Mamba استفاده می کنیم.این مدل با دقت 97 \ ٪ و نمره F1 در مجموعه داده DVT و دقت 98 \ ٪ و نمره F1 در مجموعه داده PE به نتایج قابل توجهی می رسد.بر خلاف روش ترکیبی قبلی در شناسایی PE ، طبقه بندی کننده Mamba نیاز به قوانین مهندسی دستی را از بین می برد و ضمن حفظ عملکرد قابل مقایسه ، پیچیدگی مدل را به میزان قابل توجهی کاهش می دهد.علاوه بر این ، ما یک مدل زبان بزرگ سبک (LLM) ، PHI-3 MINI را در تشخیص VTE ارزیابی کردیم.در حالی که این مدل نتایج رقابتی را ارائه می دهد ، از مدل های پایه BERT بهتر است ، به دلیل مجموعه پارامتر بزرگتر ، از نظر محاسباتی فشرده است.ارزیابی ما نشان می دهد که مدل مبتنی بر Mamba عملکرد و کارآیی برتر را در شناسایی VTE نشان می دهد و یک راه حل مؤثر برای محدودیت رویکردهای قبلی ارائه می دهد.