본 연구는 MediNet이라는 약물 안전성 검토 분류를 위한 혁신적인 접근법을 제시한다. 이 방법은 FastText, ELMo, GloVe의 세 가지 단어 임베딩 접근법의 장점을 결합하는 동시에 EfficientNetB4 및 MobileNet 모델의 앙상블을 통합한다. 이러한 독특한 단어 임베딩의 조합은 문맥 비의존적 표현과 문맥 의존적 표현을 모두 포착하여, 약물 리뷰 내의 복잡한 언어적 뉘앙스를 모델이 이해할 수 있게 한다. 앙상블 아키텍처는 EfficientNetB4의 확장성과 MobileNet의 효율성을 활용함으로써 MediNet이 강력하면서도 자원 효율적이도록 설계되었다. 제안된 모델 MediNet은 약물 안전성 검토의 포괄적 데이터셋에 대한 성능을 평가하였으며, 95.69%의 정확도, 96.46%의 정밀도, 98.30%의 재현율, 97.22%의 F1 점수를 달성하는 놀라운 결과를 보였다. MediNet의 일반화 가능성은 교차검증 기법을 사용하여 평가하였고, 그 결과는 통계적으로 유의미함을 나타냈다. 또한 MediNet의 결과를 여섯 가지 다른 잘 알려진 전이학습 모델과 비교하였으며, 모든 지표에서 일관되게 다른 모델들보다 우수한 성능을 보였다. 이러한 결과는 MediNet이 약물 안전성 검토를 분류하는 데 매우 효과적인 해결책이며, 기존 모델에 비해 정확도와 신뢰성을 유의하게 향상시킬 수 있음을 시사한다. 제안된 접근법은 자연어처리 및 의료 분야 적용을 위한 향후 연구에서 유망한 방향을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.