Jul, 2020

NLNDE: 西班牙医学文件去识别技术的非语言专家和领域专家方法

PDF
TL;DR该研究论文描述了 NLNDE 系统及其在医学领域中通过 MEDDOCAN 比赛的医疗文件去识别隐私信息任务的应用。该系统成功地将西班牙语数据中的保护健康信息进行序列标记，并在比赛中取得了良好的成绩。
natural language processingmedical domainde-identificationnlnde systemsequence-labeling
发现论文，激发创造
  • 一种易于使用且稳健的差分隐私临床文本去识别方法

    本研究提出了一种可靠的具有差分隐私技术的去识别名字实体的替换方法，使用此方法可以对法语临床文件进行去识别，并且具有扩展性和可靠性。

    Nov, 2022

  • NLNDE: 强化神经序列标注器，采用注意力机制和有噪信道，用于稳健的药理实体检测

    本文提出了一种基于注意力的嵌入选择架构，通过自动注释数据的训练用于在西班牙语文本中检测药理实体，并在 PharmaCoNER 竞赛中取得了 88.6% 的 F1 值。

    Jul, 2020

  • 基于 Few-Shot 的跨语言迁移方法用于混合代码临床文本的粗粒度去识别化

    本文实证展示了预训练语言模型在多语言跨领域少样本学习任务中的交叉语言迁移特性，并将其应用于解决缺乏数据和真实世界挑战的混合代码（西班牙语 - 加泰罗尼亚语）临床笔记：保护个人隐私信息的命名实体识别。

    Apr, 2022

  • 临床数据仓库中自然语言处理算法的开发和验证，用于匿名化文件

    本研究的目标是解决临床报告去识别化的问题，以允许访问数据以进行研究，同时确保患者隐私。作者通过使用深度学习模型和手动规则，对临床文件进行伪匿名化，取得了 0.99 的 F1 评分，并分享了相关代码和指南。

    Mar, 2023

  • 在临床领域进行联合去标识化和概念提取，缩小差距

    本研究聚焦于在医疗领域中对自然语言处理的实际应用，通过研究数据的自动匿名化对概念提取的影响，探究得到同时考虑隐私信息保护和概念提取的最新解决方案。结果表明提出的多任务模型 F1 值达到了 96.1% 和 88.9%，取得了当前最先进的技术水平。

    May, 2020

  • 比较基于规则、特征和深度神经方法在荷兰医疗记录去识别化方面的效果

    本研究构建了一个数据集，测试了三种去匿名化方法在荷兰三个领域的医学记录中的泛化能力。结果显示，基于规则的方法不能很好地推广到新数据，而最新的神经网络结构则表现出色，在有限的训练数据下也能跨语言和领域表现出良好的性能。

    Jan, 2020

  • 基于神经语言模型的可共享合成临床记录自动生成技术的研究

    研究使用生成模型生成合成临床笔记，以更好地保护患者隐私并促进临床 NLP 模型的开发。

    May, 2019

  • 临床领域自然语言推理的启示

    介绍了 MedNLI 数据集的自然语言推理任务 (NLI)，并提出了两种解决深度神经网络模型在特定领域泛化能力差的方法：利用开放域数据集进行迁移学习和结合外部数据和词汇来源的领域知识。实验结果表明，两种方法均可提高模型性能。

    Aug, 2018

  • 利用自然语言处理进行临床自由文本去识别的当前方法综述

    电子健康记录（EHRs）是数据驱动型医学研究的宝贵资源，而去识别（即去除个人健康信息）是使 EHR 数据可供研究目的共享的关键步骤。本研究系统审查了过去 13 年临床自由文本去识别的发展，并报告了目前最先进系统的性能和局限性，并识别了该领域的挑战和研究机会。

    Nov, 2023

  • 通过自然语言处理和深度学习在电子健康数据分析中的进展

    医疗环境中存在大量且多样化的数据，然而仅有少部分文本化电子健康数据被处理和解释，这导致了大数据操作的困难，研究致力于分析医疗领域的术语、自然语言处理和深度学习技术，以期提出相关解决方案。

    Jan, 2024