提出了一种名为 KenMeSH 的模型，该模型结合新的文本特征和动态知识增强掩码注意力，将文档特征与 MeSH 标签层次结构和期刊相关特征相结合以索引 MeSH 术语，实验结果表明，该方法在多项指标上实现了最先进的性能。

Mar, 2022

本文探讨使用 MeSH 词汇信息加强 BioBERT 表示以适用于零样本 / 少样本任务，并指出结果表明多任务学习有助于诱导表示中的 MeSH 层级关系。

Jan, 2022

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

本研究探讨基于布尔查询的方法，提出词汇和基于预训练的语言模型方法来建议 MeSH 词汇术语，以自动识别高效的 MeSH 术语，并对每种方法的 MeSH 术语建议进行了广泛的分析和经验评估，以提高系统性综述查询的有效性。

Sep, 2022

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

通过创建基于神经元概念的 MeSH（医学主题头词库）术语建议方法，并将其与最先进的 MeSH 术语建议方法进行比较，我们发现神经元概念的 MeSH 术语建议方法非常有效。我们进一步开发了基于 Web 和 Python 的 MeSH 术语建议原型系统，它允许用户从多种潜在的方法中获得建议，并帮助研究人员进一步开展研究和实验。该网络原型系统可通过 http 链接进行访问，而 Python 库则可以通过 https 链接获得。

Dec, 2022

本研究针对医学干预方案的评估，提供了一个达到自动评估医学文献、整合多个研究结果的新数据集：MS^2。并基于 BART 模型，通过自由文本和结构化形式，提出了用于评估自动生成摘要质量的新指标。

Apr, 2021

通过研究发现，微任务众包平台能够有效地捕捉 PubMed 文摘中的疾病提及，并通过专家投票方法将多个工作者的注释合并，生成 BioNLP 领域中完全标注的语料库。

Aug, 2014

该研究提供了一份 5000 份医学文章摘要的标注语料库，其中的标注包括描述人口、干预方法及比较、以及测量结果等关键信息，旨在协助检索医学文献并支持循证医学实践。

Jun, 2018

本文介绍了一种新颖的从全文中提取和搜索科学挑战和方向的任务，以促进快速知识发现。我们构建并发布了一个专家注释的语料库，并使用我们的数据训练模型来识别 COVID-19 疫情相关的生物医学跨学科工作中的挑战和方向，从而构建了一个专用搜索引擎。我们的实验表明，我们的系统在协助知识发现方面优于流行的科学搜索引擎，并且我们的模型可以泛化到更广泛的生物医学领域和 AI 论文。

Aug, 2021