Feb, 2024

跨语料库评估中的 HunFlair2 命名实体识别和规范化工具

PDF
TL;DR通过对 28 种已发布系统的调查，我们在三个公开可用的语料库上深入分析了五种不同实体类型的性能比较，发现 BTM 工具在异构数据集上的性能明显低于同质数据集中的结果，表明在野外应用中 BTM 工具的性能会下降，需要进一步的研究以增强其稳定性。
biomedical text miningnamed entity extractioncross-corpus benchmarkbtm toolsdownstream applications
发现论文，激发创造
  • HunFlair: 一种易于使用的工具，用于现代生物医学命名实体识别

    提出了一种名为 HunFlair 的 NER 标记器，可覆盖多种实体类型，精度更高，并能处理文本体裁和风格的变化，HunFlair 在 Flair 框架中提供并兼容于各种操作系统中。

    Aug, 2020

  • 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

  • PubMed 概要中疾病提及标注的微任务众包

    通过研究发现，微任务众包平台能够有效地捕捉 PubMed 文摘中的疾病提及，并通过专家投票方法将多个工作者的注释合并，生成 BioNLP 领域中完全标注的语料库。

    Aug, 2014

  • 电子病历上乳腺癌表型 NLP 算法跨院评估

    本研究通过乳腺癌表型提取任务，评估了基于 BERT 的临床自然语言处理模型在不同临床设置下的普适性。结果表明，CancerBERT 模型具有最佳的学习能力和普适性，并且模型的普适性与样本之间的相似度有关。

    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

  • 基于特定领域 ALBERT 的生物医学自然语言处理任务基准测试

    通过适应生物医学领域 (PubMed、PubMed Central 和 MIMIC-III 数据集) 并微调了 20 个基准数据集上的 6 个任务，我们提出了 BioALBERT，并展示了它在大部分任务中优于现有技术。

    Jul, 2021

  • 口语文本中的实体识别

    我们研究了基于 BERT 模型的多种训练策略，旨在从口语化文本中识别出医疗领域的症状，并通过一系列实验发现了与这些训练策略相关的模型行为模式，提出了有效识别口语化文本中实体的训练策略设计原则。

    Jan, 2024

  • 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

  • 一个生物医学流水线来检测临床和非临床命名实体

    提出了一种基于机器学习的流水线方法来识别生物医学命名实体，考虑到疾病、症状、蛋白质等多种不同类型的生物医学实体以及患者的非医学因素，使用一种新的基于 COVID-19 病例报告的数据集，该方法在五个基准数据集上表现优秀，F1 得分约为 90％，同时在我们的数据集上显示出微平均和宏平均的 F1 得分分别为 95.25％和 93.18％。

    Jul, 2022

  • 基于大型语言模型的半结构化网络文章的高吞吐量生物医学关系抽取

    利用大型语言模型的阅读理解能力和生物医学领域知识，开发了一个高通量的生物医学关系提取系统，将关系提取任务作为一个简单的二分类问题，通过外部语料库和世界知识进行判断，并从可靠医学网站中提取多种类型的生物医学关系。

    Dec, 2023