本研究旨在探究利用 token 分類方法來消除醫學縮寫的歧義性。使用公開數據集比較多種預先訓練的文本分類算法，其中以 SciBERT 模型效果最佳，並發現對預測結果進行後處理可以有效提高文本分類算法對醫學縮寫消除歧義性的準確性。

Oct, 2022

本文提出了一种完全无监督的缩写消岐方法（称为 UAD），它通过从非结构化文本中获取缩写定义，并学习用于表示其不同含义的上下文向量，进而提高其消岐性能，并支持多个含义的成千上万个缩写，是一种高度适用于实际部署的模型。经过充分的实验评估，UAD 在来自不同领域的大型真实数据集上取得了高性能，并超过了基线和最先进方法。

Apr, 2019

本研究旨在解决临床环境中许多 NLP 方法面临的公共数据集稀缺问题，提出了一个大型医学文本数据集 MeDAL，针对缩写消歧设计，用于医学领域的自然语言理解预训练。我们在几种常见架构上预训练了多个模型，并在实验中表明这种预训练可提高下游医学任务的性能和收敛速度。

Dec, 2020

本文探讨了一种新的方法，利用任务定向资源来扩展临床笔记中的缩写词。通过利用单词嵌入技术，我们实现了 82.27％的准确度，接近于专业人员的表现。

Apr, 2018

该研究介绍了新的缩略语识别和消歧方法，并提出了辅助数据集，为科学文档理解的进一步发展做出了贡献。

Dec, 2020

本文介绍了一种名为 DEep Contextualized Biomedical Abbreviation Expansion（DECBAE）模型，该模型通过普通医学期刊摘要，利用简单启发式方法自动收集 950 个模棱两可的缩略语的上下文，并使用 BioELMo 从中提取单词的上下文化特征，将这些特征反馈给特定于缩略语的双向 LSTMs，以分配确切的定义。该模型在各项指标上均胜过其他基线模型和人类表现，并在不平衡、低资源和临床设置下保持稳定。

Jun, 2019

本研究提出一种 Hierarchical Dual-path BERT 方法，该方法利用 RoBERTa 和 SciBERT 预训练模型来分别编码通用精细和高级具体表示，用于缩写消歧。实验结果表明，该方法在各种评估指标上均优于现有技术，特别是其宏 F1 达到了 93.73％。

Jul, 2021

为了加速严重运动障碍者在辅助和替代交流中的文本输入，我们提出了一种方法，该方法通过将短语缩写为主要的单词首字母来拓展缩写，利用预先训练的大型语言模型（LLMs）来利用会话上下文。通过在四个公共会话数据集上进行零样本、少样本和微调实验，我们展示 LLM 能够精确地扩展高达 70% 的缩写短语，包括具有长达 10 个单词的缩写短语。这种方法有效地节省了高达约 77% 的击键率。添加一个简短的会话回合的上下文比没有上下文的精确率高出一倍以上，这种效应在较长的短语中更为显著。此外，模型对于打字错误的鲁棒性可以通过在嘈杂的数据上进行微调来增强。

May, 2022

提出了一种预先训练的层级循环神经网络模型，通过解析最小处理的临床记录，比传统方法更好地处理了医疗信息技术中的出院诊断分类任务，并应用归因技术来确定模型用于进行预测的单词以及其重要性。

Sep, 2019

本文提出了一个针对科学领域的人工智能和缩写消歧的数据集，证明了现有的最先进模型在这些数据集上的性能远远不如人类水平，并提出了一种利用句子的句法结构来扩展句中含义不明确的缩写的深度学习模型，该深度学习模型在新的数据集上表现出色，为未来研究提供了强有力的基础。

Oct, 2020