Jan, 2022

大规模临床本体的语义搜索

PDF
TL;DR本文介绍了一种基于深度学习的方法来构建大型临床本体的语义搜索系统，该方法使用 Triplet-BERT 模型和直接从本体生成训练数据的方法，并在五个真实基准数据集上进行了评估，在自由文本到概念和概念到概念的搜索任务中取得了高结果。这项方法优于所有基线方法。
clinical ontologiesconcept normalisationontology matchingdeep learningsemantic search system
发现论文，激发创造
  • 大型语言模型是否能补充医学本体中缺失的概念和关系？

    使用大型语言模型扩展本体的方法在临床实践指南中探索新的医学概念关系，展示了潜在的初步实验结果和未来改进方向。

    Nov, 2023

  • 基于弱监督深度学习的生物医学文献大规模细粒度语义索引

    本研究提出了一种基于深度学习的自动化主题注解细化方法，通过在文章摘要中的概念出现来进行弱监督，发现概念出现是自动化主题注解细化的强有力依据，还可以与基于字典的启发式算法相结合以进一步提高准确率。

    Jan, 2023

  • 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

  • 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

  • 高效的生物医学实体链接：低资源技术下的临床文本标准化

    通过学习实体的同义词对，我们提出了一种用于临床文本标准化的方法，通过关联多个术语，从而显著减少训练数据和资源消耗，并引入了基于上下文和无上下文重排序技术进行实体消岐。在最大的 UMLS 标注数据集 Medmentions 上，我们的方法表现与现有的零样本和远程监督实体链接技术相当，在没有基于领域的训练的情况下。最后，我们证明了单纯的检索性能可能不足以作为评估指标，并引入了一种基于文章的定量和定性分析，揭示了实体链接方法的进一步洞察。

    May, 2024

  • 用户生成文本中医学概念规范化的深度神经模型

    本文使用神经网络解决医学文本中的概念标准化问题，实验结果表明神经网络能够更好地识别实体，并获得更好的语义表示。

    Jul, 2019

  • BiOnt：基于多个生物医学本体的深度学习关系提取

    在本研究中，采用使用深度学习方法和生物医学本体论，例如 Gene Ontology、Human Phenotype Ontology、Human Disease Ontology 和 Chemical Entities of Biological Interest，提高生物医学关系抽取方法，达到了比现有技术更高的精度。

    Jan, 2020

  • 针对医学术语标准化的长尾概念泛化

    本论文介绍了一种简单而有效的学习策略，利用目标本体的层次结构来增强分类和生成模型的概括能力，该策略在已见概念上具有最先进的性能，在未见概念上也具有一致的改进，并可实现高效的零 - shot 知识转移。

    Oct, 2022

  • 使用神经网络从生物医学文献中提取关系

    使用不同的信息来源支持自动提取生物医学概念之间关系的研究，其中包括使用多通道架构深度神经网络对医学文献中的概念进行关系提取，同时将医学本体论结合进来可以进一步提高结果的准确性。

    May, 2019

  • 面向本体增强的大型语言模型表示学习

    通过注入本体知识来改进嵌入式大语言模型（embedding-LLM），本研究利用广泛的本体使用和基于对照学习框架，通过医学疾病本体的生物医学文档，展示了提高嵌入式 LLM 在描述疾病领域中的相似性评估能力的实验结果。

    May, 2024