Apr, 2024

ClinLinker：西班牙语临床概念提及的医学实体链接

PDF
TL;DR这项研究通过使用一种新颖的双阶段流程来实现医学实体链接，该流程利用领域内适应的语言模型进行生物医学文本挖掘，从而显著提升了临床文本分析的性能。该方法在西班牙语内容的初期侧重下，在涉及异构医学术语并在原始数据子集上进行训练的复杂场景中，显著优于为同一目的设计的多语言语言模型。通过在两个不同的临床实体链接 Gold Standard 语料库（DisTEMIST（疾病）和 MedProcNER（临床程序））上进行评估，我们的结果表明，该方法在 25 个 Top-k 准确度和其他 Top-k 指标上的性能优于前期基准，DisTEMIST 上提高了 40 个点，MedProcNER 上提高了 43 个点，两者均归一化到 SNOMED-CT 代码。这些发现突显了我们的方法在处理语言特定细微差别方面的能力，并树立了一个新的实体链接基准，为提高数字医疗记录的实用性提供了一种强大工具。该系统的结果具有实际价值，既可以用于从临床记录中自动产生大规模结构化数据，也可用于全面提取和协调预定义的临床变量。
发现论文，激发创造
  • 高效的生物医学实体链接：低资源技术下的临床文本标准化

    通过学习实体的同义词对，我们提出了一种用于临床文本标准化的方法，通过关联多个术语，从而显著减少训练数据和资源消耗，并引入了基于上下文和无上下文重排序技术进行实体消岐。在最大的 UMLS 标注数据集 Medmentions 上，我们的方法表现与现有的零样本和远程监督实体链接技术相当，在没有基于领域的训练的情况下。最后，我们证明了单纯的检索性能可能不足以作为评估指标，并引入了一种基于文章的定量和定性分析，揭示了实体链接方法的进一步洞察。

    May, 2024

  • 使用双编码器快速有效的生物医学实体链接

    本研究提出了一种基于 BERT 的双编码器模型，可一次处理文档中的多个关键词，解决了现有模型效率低的问题，在生物医学实体链接领域取得了与现有模型相当的准确性，并对其进行了改进，实现了端到端生物医学实体链接，表现出更好的性能.

    Mar, 2021

  • 将自对齐的 BERT 模型在自动生成的荷兰维基百科语料上进行微调的生物医学实体链接

    用荷兰语进行评估的首个生物医学实体链接模型基于 MedRoBERTa.nl 为基础模型，通过自对齐在荷兰语生物医学本体上进行第二阶段预训练，并在维基百科中的本体链接荷兰语生物医学实体数据集上进行微调。在 Mantra GSC-corpus 的荷兰语部分上评估模型，分类准确度为 54.7%，1 - 距离准确度为 69.8%。对无标签的患者支持论坛数据进行案例研究发现，模型受到前置实体识别步骤质量的限制。对小样本进行手动评估发现，正确提取的实体中约 65% 与本体中的正确概念相关联。结果表明，与英语以外的其他语言进行生物医学实体链接仍具有挑战性，但我们的荷兰模型可用于对患者生成的文本进行高级分析。

    May, 2024

  • SNOBERT：SNOMED CT 临床术语中的临床记录实体关联基准

    该研究提出了一种名为 “SNOBERT” 的方法，使用基于 BERT 的模型，将临床笔记中的文本片段与 SNOMED CT 中的特定概念进行链接，对医疗数据和医疗编码进行自动化处理，该方法在深度学习的基础上优于其他传统方法。

    May, 2024

  • 从生物医学文本中无需提及级别监督即可同时连接实体并提取关系

    提出一种无需实体级别监督的实体链接和关系抽取模型，避免了流水线方法中产生的级联错误，并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线，极大地提高了系统的总体召回率。

    Dec, 2019

  • CLaCLab 在 SocialDisNER 的应用：使用医学词表识别西班牙语推文中的疾病实体

    该论文总结了 CLaC 团队对 SMM4H2022 任务 10 的研究，该任务涉及识别西班牙推文中提到的疾病。在将每个标记进行分类之前，该团队使用多语言 RoBERTa Large、UMLS 名录和 DISTEMIST 名录等特征对每个标记进行编码，最终获得了严格的 F1 得分为 0.869，与竞争平均值 0.675，标准偏差 0.245 和中级 0.761。

    Sep, 2022

  • 采用大型语言模型进行跨数据源生物医学概念链接

    利用大型语言模型 PromptLink 实现生物医学概念链接，解决概念命名差异问题，从而在不同数据源之间进行集成分析，该方法通过两阶段提示实现链接，既充分利用了大型语言模型的先验知识，又提高了结果的可靠性。

    May, 2024

  • 探索大型语言模型在生物医学概念链接中的上下文学习能力

    该研究旨在探讨基于大型模型的上下文学习能力，应用检索与排名框架的方法，以实现生物医学概念链接，并在 BC5CDR 疾病实体标准化和化学实体标准化方面取得了 90% 和 94.7% 的准确率，相对于监督学习方法表现出竞争力， F1 分数有 20 个绝对点的显著提高，深入评估了在生物医学领域使用大型语言模型的优点和潜在局限性。

    Jul, 2023

  • 对话中的个人实体、概念和命名实体链接

    本文介绍了一种对话实体链接的工具，使用了不同于现有方法的技术来识别如人称实体和命名实体这种在对话中扮演重要角色的实体，并在实验中证明了其优于已有技术的性能。

    Jun, 2022

  • 使用三元组网络进行医疗实体链接

    本文提出了一种无需手工规则的稳健便携候选实体生成方案，采用三元组网络用于疾病链接排名，实验结果表明我们的方法在标准基准 NCBI 疾病数据集上显著优于现有方法。

    Dec, 2020