ACLOct, 2021

MIMICause: 从临床注释中自动提取因果关系类型的表示方法

PDF
TL;DR本文提供了一个注释指南并开发出一个带有基线分数的注释语料库来识别生物医学概念之间在医疗笔记中的暗示或明确的因果关系。在医疗文本中高度的评分一致性显示了我们注释指南的质量，而提供的基线 F1 分数则为未来研究向理解医疗文本中的叙述走向奠定了方向。
发现论文，激发创造
  • 从自然语言文本中自动提取因果关系：综述

    本文综述了早期人类构造的语言和句法规则以及最新机器学习技术在提取因果关系上的应用，并分析了它们的优劣，建议未来的研究方向。

    May, 2016

  • 因果新闻语料库：标注新闻事件句中的因果关系

    该研究提出了一种用于事件因果关系注释的注释模式，为此构建了一个名为 Causal News Corpus（CNC）的语料库，并使用神经网络在测试集上获得了 81.20％ F1 得分，CNC 是对外部语料库可转移的，也是文本挖掘研究人员的有价值资源。

    Apr, 2022

  • 医学成像中因果关系的重要性

    本文讨论因果语言如何对医学影像机器学习中的主要挑战（数据稀缺性和数据不匹配）进行分析，为数据收集，注释程序和学习策略的决策提供更透明的解释。研究发现，在医学影像数据中，考虑因果关系对于机器学习的安全性、法规性和责任报告至关重要。

    Dec, 2019

  • 使用多注释决策进行因果检测

    该论文研究了利用基于 BERT 模型的自动化抽取技术进行抗议新闻因果关系检测的方法，提出了利用自定义的交叉熵损失函数的方法，实验结果表明 BERT-based-uncased 在 Causal News Corpus 数据集上的 F1 分数达到了 0.8501。

    Oct, 2022

  • 基于依存树模式从医学文献中提取信息的因果关系

    该研究提出了一种用于从医学文献中提取因果关系实体的无监督方法名称为 PatternCausality，并在 PubMed 文章中的语句上完成的实验验证了该方法相比于现有方法在提取因果关系实体时具有更高的召回率和精度。

    Mar, 2022

  • 书写习惯和特定用语分析：利用子语言嵌入技术分析临床病历中的概念使用模式

    本文介绍了一种基于概念嵌入的医疗文档类型的语义差异刻画方法，通过训练概念嵌入，能够在消除嵌入噪声的同时，度量概念使用上的差异，从而实现对文档集合的语义特征的探索。

    Oct, 2019

  • 识别情绪之间的条件因果关系及其相应条件

    确定是否在不同的上下文范围内表达出的情绪和原因具有有效的因果关系，并提取参与因果关系的特定上下文从而构建一个可用于平衡具有和没有因果关系的文档数量的最终数据集，通过提出上下文屏蔽模块来提取参与因果关系的上下文子句，并通过提出预测聚合模块根据输入的情绪和原因是否依赖于特定的上下文子句来调整预测结果，验证了我们提出的框架的有效性和普遍性。

    Nov, 2023

  • Causal BERT: 文本中事件因果检测的语言模型

    本篇论文探讨了使用句子语境与事件信息以及利用掩码事件语境和领域内外数据分布来识别自然语言文本中事件之间的因果关系，并证明该方法在三个不同的数据集上均取得了最新技术的表现，可用于从非结构化文本中提取因果关系图或建立事件链。

    Dec, 2020

  • 电子健康档案中的笔记撰写学习

    本文提出了一种预测病历记录中病人的过去数据，包括人口统计学，检验，药物和过去的笔记，预测未来笔记内容的新型语言建模任务，并使用公开的、去个人化的 MIMIC-III 数据集训练生成模型。我们发现大部分笔记的内容都可以被预测，并且学习了许多常见的笔记模板。本文探讨了这样的模型如何在支持辅助笔记编写功能方面是有用的，比如错误检测和自动完成。

    Aug, 2018

  • 临床文本中医疗代码的可解释预测

    本文提出了一种使用卷积神经网络和注意力机制对临床文本进行医学编码的方法，并展示了该方法在精度和可解释性方面的优势。

    Feb, 2018