Apr, 2022

构建临床自然语言处理任务的分层注释：进展笔记理解

PDF
TL;DR该研究介绍了一个分层注释架构，通过三个阶段来解决临床文本理解、临床推理和摘要等问题，从而创造出一个基于公开可用的日常记录数据集的注释语料库，以训练和评估未来的 NLP 模型。
natural language processingelectronic health recordsclinical diagnostic thinkingannotated corpusnlp models
发现论文，激发创造
  • 病历记录理解 --2022 N2C2 第三项共享任务的评估和规划推理概述

    本文介绍了在电子健康记录中使用自然语言处理 (NLP) 方法进行诊断决策支持的任务。旨在开发和评估自动预测 Assessment 部分与 Plan 部分之间因果关系的 NLP 系统，以优先识别和排列诊断，以在记录中找到最相关的信息。还介绍了 2022 年 N2C2 赛事的相关数据、评估、参赛及系统表现。

    Mar, 2023

  • PULSAR: 基于提取的医疗术语的预训练，用于患者问题和数据增广的黑盒大型语言模型摘要

    本文提出了一种整合了两个互补组件的方法，其中一个使用大型语言模型为数据增强，另一个则使用新颖的预训练目标作为诊断和问题清单的生成模型，其表现在 BioNLP 2023 共享任务 1A 上名列第二。

    Jun, 2023

  • 使用大型语言模型从医疗肿瘤学记录中提取详细的肿瘤学历史和治疗计划

    使用两节临床进展笔记为对象，设计了详细的标注方案，并评估了三个最近发布的大型语言模型 (GPT-4、GPT-3.5-turbo 和 FLAN-UL2) 对临床进展笔记中肿瘤学等细节信息的零 - shot 提取能力，结果显示 GPT-4 模型在复杂任务上表现最佳，能够从肿瘤学进展笔记中提取重要事实。

    Aug, 2023

  • 利用预训练的序列到序列模型从医院病历记录中总结患者问题

    本研究提出了一项新的自然语言处理任务，旨在利用医生在住院期间的病程记录摘要产生病人日常护理计划中的问题列表，并使用自然语言处理技术实现了该任务，结果表明，使用 T5 和 BART 两种 state-of-the-art seq2seq transformer architecturs 并配合领域适应预训练法，比基于规则的系统和基于通用域预训练语言模型的解决方案取得更好的性能。

    Aug, 2022

  • 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

  • 临床实体提取机器学习的稳健基准测试

    本研究运用新的注释框架拟定临床实体抽取的评估标准，并发现现有的医学词汇一致性、数据标签限制、评估技术瓶颈等问题仍需要解决，因此提出了解决方案来推动临床实体识别和标准化的发展。

    Jul, 2020

  • 电子病历中的非结构化数据神经自然语言处理：综述

    本文综述了当前神经自然语言处理方法在电子病历应用中的广泛运用，包括分类和预测，词嵌入，提取，生成以及其他诸如问答、表型、知识图谱、医学对话、多语言性和可解释性等领域。

    Jul, 2021

  • 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

  • 临床文本自然语言处理的交互工具

    该研究介绍了一个原型工具，结合多种可视化方式，帮助终端用户理解临床文本中提取出的信息，修正必要错误，形成反馈循环，支持 NLP 模型的优化。针对该工具进行的临床医生和研究人员的用户研究显示，用户可以快速开始修正 NLP 模型，尽管他们很少或没有机器学习经验。研究结果还提供了优化界面以支持结果审查工作流程和解释的建议。

    Jul, 2017