자연어 데이터 증강 기법을 활용한 노이즈 의료 데이터 딥러닝 학습 성능 개선
Improving Deep Learning Performance on Imbalanced Medical Data Using Natural Language Data Augmentation Technique
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구에서는 한국어 간호기록 데이터를 활용하여 간호사의 의사결정을 지원하는 모델을 개발하고, 데이터 증강 기법을 적용하여 성능을 향상시키는 방안을 탐구하였다. 기존 연구들은 영어의료 데이터를 중심으로 이루어져 한국어 의료 데이터에 대한 연구가 부족한 상황이었다. 이를해결하기 위해 복부 수술 환자의 전자의무기록(EMR) 데이터를 활용하고, KoBERT 기반의 간호조치 예측 모델을 개발하였다. 또한, 데이터 불균형 문제를 완화하기 위해 Up/down sampling, Few-shot Augmentation, Back-translation, Synonym Replacement 등의 기법을 적용하고 성능을 비교분석하였다. 실험 결과, Few-shot Augmentation 기법이 가장 높은 성능을 기록하였으며, 이를 통해데이터 증강이 EMR 데이터의 다양성을 높이는 데 효과적임을 확인하였다.
Abstract
In this study, we developed a model to support nurse decision-making using Korean nursing record data and explored methods to enhance performance by applying data augmentation techniques. Previous research primarily focused on English medical data, resulting in a lack of studies on Korean medical data. To address this gap, we utilized electronic medical record (EMR) data from abdominal surgery patients and developed a KoBERT-based model for predicting nursing actions. Additionally, we applied techniques such as up/down sampling, few-shot augmentation, back-translation, and synonym replacement to mitigate data imbalance and compared their performance. Experimental results show that the Few-shot Augmentation achieved the highest performance, confirming that data augmentation is effective in increasing the diversity of EMR data.