May, 2023

癌症实体关联和分类的机器学习方法

PDF
TL;DR本研究使用自然语言处理中的实体识别和文本分类的两个主要函数来从生物医学文献中发现与癌症相关的信息，使用机器学习分类器来构建分类模型，并使用结构化查询语言来识别可能导致重要预测的隐藏关系。
cancernatural language processingentity recognitiontext classificationmachine learning
发现论文，激发创造
  • EasyNER：针对医学文本的可定制化、易于使用的基于深度学习和词典的命名实体识别管线

    研究人员利用自动化文本挖掘技术，设计了一种针对医学研究文章关键词自动识别及网络提取的全流程解决方案，可在大规模的 PubMed 和 CORD-19 数据库上快速检索有关 COVID-19 和其他医学研究的相关实体，并生成实体列表及图表。

    Apr, 2023

  • 基于数据驱动的癌细胞系分子分析信息提取和丰富化

    本文介绍了一种新的数据提取和探索系统，可以从癌细胞系的科学文献中提取文本实体之间的深层次语义关系，为现有结构化临床数据提供丰富的语义信息，并自动链接基因组拷贝数变异图与相关实体，以及相关文献证据，从而实现更为快捷深入的文献检索。

    Jul, 2023

  • 基于规则和机器学习方法的电子病历命名实体识别比较

    本研究探讨了多种 Named Entity Recognition 方法，并针对脑成像报告中的记录与应用 (i) 基于规则、(ii) 深度学习和 (iii) 迁移学习系统，重点研究帕金森氏病患者病历中的自动标记。研究者确定手工制作的系统是自动标记 EHR 的最准确方法，但是机器学习方法可以在无法轻易获得手动系统资源的情况下提供一种可行的替代方案。

    Mar, 2019

  • 知识引导的机器学习在癌症诊断和预后中的应用综述

    综述了采用基于生物医学知识的机器学习方法在癌症诊断和预后方面的研究现状和发展方向。

    Jan, 2024

  • 基于规则特征和知识引导的卷积神经网络临床文本分类

    本文提出一种新方法，将基于规则和基于知识引导的深度学习技术相结合，应用在医学自然语言处理中，以实现疾病分类，该方法包括识别触发短语、使用触发短语预测类别和使用词嵌入和 UMLS 实体嵌入来训练卷积神经网络，实验结果表明该方法优于现有技术水平。

    Jul, 2018

  • 从生物医学文献中进行意图识别和实体提取

    通过全面的实证评估，我们表明在生物医学文本中，受监督的微调方法仍然相关且比通用性的大型语言模型更有效，如 PubMedBERT 可以仅凭 5 个受监督示例就能在命名实体识别任务上超过 ChatGPT。

    Apr, 2024

  • 大规模生物医学命名实体识别

    通过在 Apache Spark 之上重新实现 Bi-LSTM-CNN-Char 深度学习架构，我们提出了一个单可训练的命名实体识别（NER）模型，该模型在七个公共生物医学基准测试中获得了新的最优结果，而不使用像 BERT 这样的重​​型上下文嵌入。该模型在生产级别代码库中作为开源 Spark NLP 库的一部分免费提供，并且可以扩展以支持其他人类语言，而不需要更改代码。

    Nov, 2020

  • 电子病历中的自然语言处理与医疗决策：一项系统性综述

    本研究阐述了自然语言处理技术在电子病历上的应用存在的挑战和限制，以及研究人员使用机器学习、深度学习等技术进行处理和信息提取的相关领域和方法。

    Jun, 2023

  • 使用 Spark NLP 优化 COVID-19 研究的临床文档理解

    该研究构建了一个临床文本挖掘系统，利用命名实体识别和深度学习模型优化了现有技术，能够从 COVID-19 研究数据集中提取潜在趋势和洞见，支持分布式集群计算以及新增实体类型或人类语言训练模型无需编程。

    Dec, 2020

  • 深度多任务学习的交叉类型生物医学命名实体识别

    本文提出了一个多任务学习框架，可以用于对生物医学命名实体进行识别并提高性能。该模型在 15 个基准生物医学命名实体识别数据集上的实验表明，它比现有的命名实体识别系统和基线序列标注模型都要好，此外，性能提升大部分来源于在不同的标注数据之间共享生物医学实体相关的字符和单词级别的信息。

    Jan, 2018