Oct, 2020

MedCAT 多领域临床自然语言处理：医学概念标注工具包

PDF
TL;DR介绍了一种开源的医学概念注释工具 (MedCAT)，该工具使用自我监督的机器学习算法从电子医疗记录中提取 UMLS/SNOMED-CT 概念，从而实现了对大量结构化文本的临床分析。该工具包括：自定义和训练 IE 模型的功能丰富的注释界面；以及与 CogStack 生态系统的集成用于厂商无关的卫生系统部署。现实世界的验证表明，该工具在大型伦敦医院的 SNOMED-CT 提取方面的性能表现很好，表明了跨领域的 EHR-agnostic 实用性，可加速临床和研究用例。
发现论文，激发创造
  • MedCAT -- 医学概念注释工具

    该论文提出了一种基于无监督机器学习的医疗概念注释工具 MedCAT，可在不需要人工标注数据的情况下从电子病历等医疗文档中提取并链接具有潜在医疗知识的实体，表现出良好的性能，是一种轻量级、快速且易于使用的工具。

    Dec, 2019

  • 从文本中丰富本体学：一个用于概念发现和定位的生物医学数据集

    通过自动化方法将新概念放入知识库，提出基于 MedMentions 数据集的新基准来解决既定数据集常见的问题，并通过最近的大型语言模型方法进行评估。

    Jun, 2023

  • EHRmonize: 使用大型语言模型从电子病例中抽取医学概念的框架

    EHRmonize 利用大型语言模型从电子健康档案中提取医疗概念，具有提高效率、减少标注时间的潜力，但仍需要临床专业医生的监督。该框架可作为一个 Python 包提供，有望加速健康研究和改善数据整合过程。

    Jun, 2024

  • 面向中文临床文本的医疗信息标注和提取统一框架

    该研究提供了一个医学信息提取的工程框架，其中包括医疗实体识别、关系提取和属性提取。通过深度学习技术和注释语料库，该系统可以高准确率地提取医学实体、关系和属性。

    Mar, 2022

  • MedGPT：临床叙述中的医学概念预测

    使用命名实体识别和链接工具（即 MedCAT）对电子病历的自由文本部分进行结构化和组织，从而预测出一系列的未来医疗事件（最初是疾病），MedGPT 有效地处理了噪声和额外细粒度， 并在 King's College Hospital 的真实世界医院数据上表现出色。

    Jul, 2021

  • SNOBERT：SNOMED CT 临床术语中的临床记录实体关联基准

    该研究提出了一种名为 “SNOBERT” 的方法，使用基于 BERT 的模型，将临床笔记中的文本片段与 SNOMED CT 中的特定概念进行链接，对医疗数据和医疗编码进行自动化处理，该方法在深度学习的基础上优于其他传统方法。

    May, 2024

  • MedMentions: 一个带有 UMLS 概念注释的大型生物医学语料库

    介绍了 MedMentions 作为一种新的手动注释的生物医学概念识别资源，并描述了其 UMLS 2017 概念本体论中超过 3 百万个具体概念和 4000+ 个文摘和 350,000 多个链接提到的规模以及广泛覆盖生物医学学科领域的优点。同时，也提出了 MedMentions 子集，支持针对文档检索的实体识别任务。该数据集已包含训练、测试集，并且还提供了 Named Entity Recognition 的基线模型以及其指标，以鼓励相关领域的研究。

    Feb, 2019

  • 文档级编码的临床概念提取

    通过将抽取的概念作为特征或标签，加以利用或学习，以期提高文档级别的临床编码任务的性能，但结果未取得较大的性能提升，探讨可能的原因和未来的研究方向。

    Jun, 2019

  • 应用无监督关键词方法于从出院记录中提取出的概念

    在这项研究中，使用临床自然语言处理技术解决了识别和映射标准术语的问题。提出了一种用于提取临床文本中关键概念的 TF-IDF 快捷方法，并使用基于 transformer 的模型设计了两种下游任务，结果表明 SciBERT 模型在结合提出的方法时具有优越性，并为临床笔记的关键短语提取提供了洞察。

    Mar, 2023

  • 提高临床试验的患者招募效率：基于提示的学习模型应用

    应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

    Apr, 2024