在社交媒体上增强不良药物反应规范化：通用模型初始化和生物医学语义文本相似性在非正式语境中受益为零射连接

Jul, 2023

在社交媒体上增强不良药物反应规范化：通用模型初始化和生物医学语义文本相似性在非正式语境中受益为零射连接

Boosting Adverse Drug Event Normalization on Social Media: General-Purpose Model Initialization and Biomedical Semantic Text Similarity Benefit Zero-Shot Linking in Informal Contexts

PDF

François Remy, Simone Scaboro, Beatrice Portelli

TL;DR通过 BioLORD 的通用模型初始化和名为 STS 的语义文本相似度微调，在社交媒体上提出了一种新的逆药物事件归一化方法，通过实验结果展示了其在多个社交媒体数据集上的有效性，并成为逆药物事件归一化任务的一个转折点，具有成为未来研究领域的基准的潜力。

Abstract

biomedical entity linking, also known as biomedical concept normalization, has recently witnessed the rise to prominence of zero-shot contrastive models. However, the pre-training material used for these models h

biomedical entity linking zero-shot contrastive models adverse drug event normalization social media texts biolord

发现论文，激发创造

DS4DH 在＃SMM4H 2023 中：使用句向量和倒数排名融合进行零射击药物不良事件规范化

通过 BERT 精调实体识别和句子转换器以及互惠排序融合，本研究提出的系统在社交媒体文本挖掘领域中，对不良药物事件标准化取得了高效性能表现，实现了 44.9% 的准确率、40.5% 的召回率和 42.6% 的 F1 分数，在共享任务 5 中表现优于中位数 10% 且超过了其他参与者的性能。

Aug, 2023

调整基于短语的机器翻译以标准化社交媒体信息中的医学术语

该研究通过使用机器翻译和词向量表示的技术，将社交媒体短语转化为医疗概念，从而监测社区中的健康情况，并在针对不良药物反应症状的推文集合上获得了高达 55％的性能提升。

Aug, 2015

通过领域特定预处理和 BERT 组合检测 Twitter 上的不良药物反应

该论文旨在开发一个基于深度学习模型的方法，对包含药物提及的 Twitter 帖子中的 ADR 进行分类，以实现药品监管自动化，支持药品监管机构，制药业和普通公众确保每日处方药的安全，最终我们的模型在 F1 值（0.6681）和召回率（0.7700）方面实现了最优表现。

May, 2020

提高社交媒体上不良药物事件提取的鲁棒性：否定和推测案例研究

本文研究药品不良反应的自动检测，在考虑否定和推测现象的情况下，探讨了四种自然语言处理模型的鲁棒性，并提出了两种策略来提高模型的性能。实验证明，这两种策略可以显著提高模型的性能，降低误报率 60％（针对否定）和 80％（针对推测）

Sep, 2022

基于文本和药物嵌入的多模态模型用于不良药物反应分类

本文介绍了一种基于多模态模型和 BERT 的方法，用于对推文进行分类以检测潜在的药物效应和反应。实验证明，神经网络得到的分子信息对 ADE 分类比传统分子描述符更有益。

Oct, 2022

用户生成文本中医学概念规范化的深度神经模型

本文使用神经网络解决医学文本中的概念标准化问题，实验结果表明神经网络能够更好地识别实体，并获得更好的语义表示。

Jul, 2019

基于实体的论述表达方式提高推特中医疗内容的事实核查

为使社交媒体上的用户生成内容可以通过现有模型进行事实核查，本文提出了一种利用关联实体信息来压缩含有主题实体、关系和客体实体三元组成的声明式陈述或提取最短包含这些元素的短语的方法，其可提高各种验证模型的性能。

Sep, 2022

通过 SpanBERT 在不同文本类型上改进不良药物事件提取

本文提出了应用 SpanBERT 架构通过 NLP 监控社交媒体、博客和健康论坛上的不良药物事件反应（Adverse Drug Events），并在两个数据集上验证了它在多词汇语境中的优越性。

May, 2021

社交媒体帖子中的多任务药品监测挖掘

提出了一种多任务神经网络框架，通过在社交媒体帖子中学习与 ADR 监测相关的多个任务和不同级别的监督来有效监测 ADR 的各个方面。该框架能正确分类 ADR 帖子并从中准确提取 ADR 提及，并能进一步从给定的社交媒体帖子中理解药物使用的原因。在 Twitter 真实数据集上的评估结果表明，该框架在各个任务上均优于现有的最先进的备选方案。

Jan, 2018

探索一种用于社交媒体中医疗产品安全监测的统一序列转换器

本文使用 T5 模型架构，将不良事件检测和抽取问题视为序列到序列问题，并在多项英语基准测试中取得了较强的性能表现，进一步提出了多任务训练的新策略以提高模型的稳健性和语言转换能力。

Sep, 2021