Nov, 2022

CCS Explorer: 临床队列研究的相关性预测、摘要提取和命名实体识别

PDF
TL;DRCCS Explorer 是一个端到端的系统，可从 CCS 中提取相关信息以总结文章，以生物 BERT 为基础的句子相关性预测可达到 80.2％召回率和 0.843 的 AUC-ROC，以 PubMedBERT 为基础的患者，干预措施，结果检测的平均微 F1 分数为 77.8％，可节省近 660 倍的时间。
clinical cohort studiespubmedrelevance predictionextractive summarizationpatient intervention outcome detection
发现论文，激发创造
  • 通过多文档摘要预测临床试验中干预措施的批准

    该研究提出了一种基于文献摘要的新方法来预测临床试验干预措施的有效性。通过抽取摘要中表达干预措施有效性的句子，生成一个简洁的摘要，用于训练 BERT 分类器以预测干预措施的有效性。实验结果证明了该方法的有效性。

    Apr, 2022

  • CARE：从临床文献中提取实验结果

    从文献中提取细粒度实验结果可以为科学应用提供巨大效益，而本研究聚焦于生物医学领域，提出了一种新的信息抽取数据集 CARE （临床聚合导向结果抽取），以提取临床发现结果。在该数据集上对多种最先进的信息抽取系统进行了性能评估，结果表明本数据集的困难之处，尤其是关系抽取方面。

    Nov, 2023

  • CO-Search：基于语义搜索、问答和摘要生成的 COVID-19 信息检索

    本文介绍了 CO-Search，这是一款检索 - 排序语义搜索引擎，设计用于处理 COVID-19 相关文献，包括使用 Siamese-BERT 编码器、BM25 矢量化器和多跳问答模块等，以高效地帮助寻找科学答案，并在多项指标上获得了最佳表现。

    Jun, 2020

  • 使用实体抽取和神经重新排序有效地匹配患者与临床试验

    利用数据增强和以 Transformer 网络为基础的 检索重排技术，在临床试验中解决了招募病人问题，并取得了 15% 的精度提升，而 proposed re-ranking schema 即使训练数据较少也有良好的效果表现。

    Jul, 2023

  • 临床试验证据自动摘要：一个突出当前挑战的原型

    TrialsSummarizer 是一个基于神经多文档摘要系统的自动摘要系统，它可以检索与查询指定的条件、干预和结果匹配的随机对照试验出版物，并对这些研究进行排名。它提供了两种体系结构：基于 BART 的标准序列到序列模型和旨在为最终用户提供更大透明度的多头体系结构。但是，这些模型都存在引入不受支持语句的倾向，不适用于当前领域。所提出的架构可以帮助用户验证输出，使用户能够将生成的令牌追溯到输入。

    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

  • 从临床试验报告中推断哪些医疗治疗方法有效

    本文介绍了一种新的任务和语料库，通过全文文章描述随机对照试验 (RCT) 的方式，推断与给定干预、比较和预期结果相关的报告发现，结果表明这项任务的困难性主要归因于长篇的技术性输入文本。

    Apr, 2019

  • 生成科学范式的摘要

    使用文献计量学文本挖掘和摘要技术对科学文献进行自动生成，利用引文生成摘要，通过 C-LexRank 对单篇文章进行摘要提取，同时拓展到一系列科学文献的摘要提取和分析，证明引文是创建摘要的一种独特信息资源。

    Feb, 2014

  • SPEER：通过嵌入式实体检索进行长临床摘要的句子级规划

    通过训练较小的编码器模型预测显著实体，使用 SPEER 进行句子级规划以增强摘要的内容涵盖度和准确性。

    Jan, 2024

  • 引用图增强的科学论文摘要提取

    本文研究了使用引文图来提高科学论文摘要生成的质量，提出了两种方法：为任务提供简单而低成本的多粒度无监督摘要生成方法 (MUS)，以及对大量标记数据具有更准确结果的基于图的监督摘要方法 (GSS)，并在公共基准数据集上进行了实验验证以证明方法的有效性。

    Dec, 2022