AAAIDec, 2020

使用 Spark NLP 优化 COVID-19 研究的临床文档理解

PDF
TL;DR该研究构建了一个临床文本挖掘系统，利用命名实体识别和深度学习模型优化了现有技术，能够从 COVID-19 研究数据集中提取潜在趋势和洞见，支持分布式集群计算以及新增实体类型或人类语言训练模型无需编程。
covid-19clinical text mining systemnamed entity recognitiondeep learning modelsspark nlp library
发现论文，激发创造
  • EasyNER：针对医学文本的可定制化、易于使用的基于深度学习和词典的命名实体识别管线

    研究人员利用自动化文本挖掘技术，设计了一种针对医学研究文章关键词自动识别及网络提取的全流程解决方案，可在大规模的 PubMed 和 CORD-19 数据库上快速检索有关 COVID-19 和其他医学研究的相关实体，并生成实体列表及图表。

    Apr, 2023

  • 利用基础模型进行临床文本分析

    本研究提出了一种自然语言处理 (NLP) 框架，使用在任务特定数据上微调的预训练变压器模型来从自由文本临床数据中提取与传染性疾病相关的关键信息，并且结果表明该方法性能优异。

    Mar, 2023

  • 一个生物医学流水线来检测临床和非临床命名实体

    提出了一种基于机器学习的流水线方法来识别生物医学命名实体，考虑到疾病、症状、蛋白质等多种不同类型的生物医学实体以及患者的非医学因素，使用一种新的基于 COVID-19 病例报告的数据集，该方法在五个基准数据集上表现优秀，F1 得分约为 90％，同时在我们的数据集上显示出微平均和宏平均的 F1 得分分别为 95.25％和 93.18％。

    Jul, 2022

  • 使用医学自然语言处理理解 COVID-19 新闻报道

    本研究使用 Spark NLP for Healthcare 库中的临床和生物医学自然语言处理模型对 CNN 和 The Guardian 的新闻出版物进行分析，以探究 COVID-19 在这些媒体组织中的报道偏见，以及如何通过具体的医学概念与多种人口统计学数据的相关性把握这些报道的变化、患者所感受到的药品和疫苗的不良事件的情况，并进一步研究药品和疫苗制造商受到媒体报道的影响，得到疫苗犹豫等问题的关注度。

    Mar, 2022

  • 利用文本挖掘技术进行 COVID-19 文献挖掘和检索

    使用 NLP 技术，如词袋、平均词向量、平均 BERT 基础模型和 Tf-Idf 加权词向量模型，结合余弦相似度算法，在 CORD-19 数据集中找出与 COVID-19 主题有关的研究文献。

    May, 2022

  • 运用深度学习简化社交媒体信息检索，为公共卫生研究提供服务

    本研究介绍了一种基于 BERT 的命名实体识别（NER）模型，一个深度学习规范化模块以及一个半监督聚类模块构建的框架，用于从社交媒体中提取与 COVID-19 相关的症状词典，并对其进行标准化，以减少在基于社交媒体的公共卫生研究中的关键词匹配信息检索约束。

    Jun, 2023

  • 使用 BERT 和 GPT-2 进行 COVID-19 医疗研究文章的自动文本摘要

    我们利用预先训练的 NLP 模型 BERT 和 OpenAI GPT-2，通过对 COVID-19 开放研究数据集中的文本进行摘要来解决研究人员与快速增长出版物之间的差距，我们的模型提供了基于原始文章提取的关键词的抽象和综合信息，我们的工作可以帮助医学界通过提供简要摘要来处理那些摘要尚不可用的文章。

    Jun, 2020

  • COVID-19 相关论文的信息检索和提取工具

    本研究的主要目标是开发一种工具，将信息检索和提取技术应用于 COVID-19 开放研究数据集（CORD-19），为研究人员提供更好的 COVID-19 相关论文搜索工具，帮助他们找到参考论文并突出显示文本中的相关实体。

    Jan, 2024

  • 大规模生物医学命名实体识别

    通过在 Apache Spark 之上重新实现 Bi-LSTM-CNN-Char 深度学习架构，我们提出了一个单可训练的命名实体识别（NER）模型，该模型在七个公共生物医学基准测试中获得了新的最优结果，而不使用像 BERT 这样的重​​型上下文嵌入。该模型在生产级别代码库中作为开源 Spark NLP 库的一部分免费提供，并且可以扩展以支持其他人类语言，而不需要更改代码。

    Nov, 2020

  • COVID-19 文献的分类

    本研究分析了多个多标签文档分类模型在 LitCovid 数据集上的表现，发现在该数据集上微调过的预训练语言模型表现最佳，并探讨了其数据效率和可推广性，同时也提出了未来研究中需要解决的问题，数据和代码均在 GitHub 上可获取。

    Jun, 2020