Jan, 2024

从 RCT 出版物中提取重叠的 PICO 实体的基于 Span 的模型

PDF
TL;DRPICOX 通过识别开始和结束实体的单词，并使用多标签分类器将一个或多个 PICO 标签分配给跨度候选项，从而优于基线方法，在多个数据集上表现出更高的精确度、召回率和 F1 得分，并通过数据增强策略有效地减少了误报，提高了精确度。
picoxentities extractionevidence retrievalmulti-label classifierdata augmentation strategy
发现论文，激发创造
  • 在医学文本中提取 PICO 时不借助 Span 注解的 Span 检测方法

    本文提出并测试了一种新的 PICO 区间检测方法，该方法不需要标注的区间数据，仅使用众包句子级注释来实现。该方法有助于将低质量众包和句子级 PICO 注释转化为可用于快速分配临床试验的结构化信息，并提高临床试验的回收率，减少了系统性回顾的时间。

    Sep, 2021

  • 解锁深度 PICO 提取的力量：逐步医学实体识别

    提出了一种基于疾病命名实体识别的 PICO 方法，使用深度学习模型从医学文献中提取出句子并将其分类，并在此基础上识别并分类出 P 和 O，并且通过实验结果展示了该方法可以取得比传统 PICO 提取方法更高的性能和细粒度的提取结果。

    Apr, 2020

  • PICO 跨度标注中的一致性研究

    本文研究了由多个人工标注员（包括专家和非专家）进行的 PICO 注释的一致性，并发现个体标注员的注释边界非常多样化，认为仅使用标准协议可能会削弱 PICO 跨度的一致性，同时采用标准和宽松协议更适用于 PICO 跨度评估。

    Apr, 2019

  • 一个包含多层病人、干预和结果注释的语料库，以支持医学文献语言处理

    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

  • 基于 Span 和实体注意力机制的实体和重叠关系抽取技术

    通过使用标准跨度机制和标记跨度机制、构建实体注意力机制，本研究提出了一种完全解决三元组重叠问题的信息抽取方法，并在两个公共数据集上进行了测试。该方法在这两个数据集上达到最佳性能。

    Apr, 2023

  • 通过隐性证据集成预测临床试验结果

    为了优化临床试验的设计，我们提出了一种新的临床试验结果预测（CTRP）任务，并利用大规模非结构化结构的医学文献中的语句隐含地包含 PICO 和结果的证据，预训练模型在下游数据集上进行微调得到更好的表现，针对 COVID-19 的另一个数据集也验证了性能提升。

    Oct, 2020

  • 利用人工数据构建用于低资源生物医学文本标注微调的模型，并在 PICO 注释中应用

    本研究提出了一种方法解决生物医学标记系统中标记实例匮乏的问题，该方法使用预训练编码器为任务提供文本表示，并通过使用标签文本作为输入来制造多个人工标记实例。实验结果表明，这种方法在 PICO 注释任务上实现了最新的最佳性能。

    Oct, 2019

  • 利用上下文嵌入增强医学文本中 PIO 元素的检测

    本研究探究了一种新的人口、干预和结果（PIO）元素检测方法，特别关注证据医学（EBM）中的这一任务。本研究目的是建立一个训练数据集，以便最大限度地减少冗余和歧义，并探讨利用最先进的嵌入方法进行 PIO 元素检测的可能选项。我们利用最先进的文本嵌入 BERT 建立了一个多标签分类器，这进一步优化了分类器的性能，同时表明模型可以通过使用集成方法和提升技术来提高。

    Jun, 2019

  • 跨範疇聯合實體關係提取多任務學習中處理負樣本

    该研究论文介绍了一种基于跨度的多任务实体 - 关系联合提取模型，通过多任务学习和位置信息的引入，有效地减轻了负样本对模型性能的负面影响，同时在广泛应用的公共数据集 CoNLL04、SciERC 和 ADE 上取得了令人称赞的 F1 得分。

    Sep, 2023

  • 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

    CCS 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。

    Nov, 2022