ACLMay, 2022

药物组合 N 元关系抽取数据集

PDF
TL;DR为了帮助医生识别有效的药物联合治疗方案，我们构建了一个专家注释的数据集，用于从科学文献中提取药物联合治疗方案的疗效信息。除了实际应用之外，该数据集还提出了一个独特的 NLP 挑战，作为第一个由可变长度关系组成的关系提取数据集，这种数据集中的关系主要需要超越句子级别的语言理解，增加了此任务的挑战性。我们提供了一个有前途的基线模型，并确定了进一步改进的明显领域。我们公开发布我们的数据集、代码和基线模型，以促进 NLP 社区参与该任务。
combination therapiesmulti-drug treatmentsefficacynlprelation extraction
发现论文，激发创造
  • 组合药物治疗的端到端 $n$ 元关系抽取

    本论文基于 sequence-to-sequence style 的 end-to-end extraction 方法，以 CombDrugExt 数据集为基础，实现了普遍疾病中复方药物的关系提取，F1-Score 为 66.7%。

    Mar, 2023

  • 用于提取化学物质、疾病和基因之间生物医学关系的远程监督语料库

    介绍了 ChemDisGene，这是一个用于训练和评估多类别多标签生物医学关系抽取模型的新数据集，包含 80k 生物医学研究摘要的标注有化合物、疾病和基因提及的部分，其中某些部分被人工专家标注有这些实体之间的 18 种生物医学关系。同时，针对训练集，使用 CTD 数据库进行远程标注，准确率达到约 78％。与类似的现有数据集相比，我们的数据集规模更大、更干净，并包括将提及链接到其实体的注释。还提供了三个基线深度学习网络关系抽取模型在我们的新数据集上进行训练和评估。

    Apr, 2022

  • 药物对打分的关系深度学习统一视图

    该研究为解决多药副作用识别、药物间相互作用预测和联合疗法设计任务提供了一种统一的关系机器学习模型的理论视角，讨论了现有模型架构、性能指标、数据集和评估协议，强调了在该领域中可能的高影响应用和重要的未来研究方向。

    Nov, 2021

  • 一种用深度学习实现医疗关系抽取的混合方法

    本研究提出了一种深度学习方法，利用单词级和句子级表示同时提取治疗和问题之间的关系，以用于医疗决策支持系统、安全监测和新治疗发现。通过深度学习和基于规则的模型的联合结果获得了最终的关联关系。该系统在 I2b2 2010 关系提取任务的关系类别上取得了有前途的表现。

    Jun, 2018

  • 将异构领域信息集成到关系抽取中：基于药物相互作用抽取的案例研究

    该论文探讨了如何利用异构领域信息来提高文献中关系抽取的性能，并针对药物间关系进行了实例研究，实现了神经关系抽取模型和知识图谱相结合的方法。

    Dec, 2022

  • 面向病毒 - 宿主相互作用提取的新数据集

    我们描述了一种用于自动识别与病毒和宿主相关的命名分类和其他实体的新数据集，并进一步描述了使用预训练模型在该新数据集上进行命名实体识别（NER）任务的一些初步结果。我们建议，我们手动注释的摘要数据集现在为未来训练自动从科学出版物中提取宿主 - 病原体检测方法的 NER 模型提供了金标准语料库，并进一步解释了我们的工作如何自动从科学文献中预测重要的与人类健康相关的病毒溢出风险的概念。

    May, 2023

  • DrugEHRQA：一个针对医学相关查询的结构化和非结构化电子病历问答数据集

    该研究开发了第一个多模式药物电子健康记录问答数据集，其中包含从公开可用的电子健康记录中结构化表格和非结构化笔记中提取的问答对。研究目的是为多模式问答系统提供基准数据集，并通过使用非结构化临床数据的上下文来改善电子健康记录结构化数据上的问答。

    May, 2022

  • 基于图形协同注意力的药物不良反应预测

    该研究提出了一种神经网络架构，利用多药副作用类型和药物分子结构，采用共同注意机制，对药物组合进行机器学习，以便预测药物之间的相互作用和潜在的副作用。

    May, 2019

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • BioREx：利用异构数据集提高生物医学关系抽取的准确性

    本论文提出了一种数据丰富的方法，将多个医学相关的 Relation Extraction 数据集组合成一个大型数据集，并使用 BioREx 实现了关系提取任务，结果表明，BioREx 在各种关系任务中的表现都优于当前最好的执行方法。

    Jun, 2023