論文の概要: Medical Entity Linking using Triplet Network

• arxiv url: http://arxiv.org/abs/2012.11164v1
• Date: Mon, 21 Dec 2020 07:44:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 08:44:14.569305
• Title: Medical Entity Linking using Triplet Network
• Title（参考訳）: Triplet Network を用いたメディカルエンティティリンク
• Authors: Ishani Mondal, Sukannya Purkayastha, Sudeshna Sarkar, Pawan Goyal, Jitesh Pillai, Amitava Bhattacharyya, Mahanandeeshwar Gattu
• Abstract要約: 本稿では,病名と類似性に基づく知識ベース候補のランク付け手法を提案する。 手作りのルールを利用しない、堅牢でポータブルな候補生成方式を紹介します。 標準ベンチマークNCBIデータセットによる実験結果から,本システムでは従来手法よりも有意差が認められた。
• 参考スコア（独自算出の注目度）: 7.18342554344254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entity linking (or Normalization) is an essential task in text mining that maps the entity mentions in the medical text to standard entities in a given Knowledge Base (KB). This task is of great importance in the medical domain. It can also be used for merging different medical and clinical ontologies. In this paper, we center around the problem of disease linking or normalization. This task is executed in two phases: candidate generation and candidate scoring. In this paper, we present an approach to rank the candidate Knowledge Base entries based on their similarity with disease mention. We make use of the Triplet Network for candidate ranking. While the existing methods have used carefully generated sieves and external resources for candidate generation, we introduce a robust and portable candidate generation scheme that does not make use of the hand-crafted rules. Experimental results on the standard benchmark NCBI disease dataset demonstrate that our system outperforms the prior methods by a significant margin.
• Abstract（参考訳）: エンティティリンク(または正規化)は、与えられた知識ベース(kb)の標準エンティティに医学的テキストで言及されるエンティティをマッピングする、テキストマイニングにおいて不可欠なタスクである。 この仕事は医療分野において非常に重要である。 また、異なる医学および臨床のオントロジーをマージするためにも用いられる。 本稿では,疾患のリンクや正規化の問題を中心に検討する。 このタスクは、候補生成と候補スコアの2つのフェーズで実行される。 本稿では, 候補知識基準項目の分類法について, 疾患言及と類似性に基づいて分類する手法を提案する。 我々はTriplet Networkを候補者ランキングに利用している。 既存の手法では, 候補生成のためのシーブと外部資源を慎重に利用してきたが, 手作りのルールを使用しない頑健でポータブルな候補生成方式を導入する。 標準ベンチマーク ncbi disease dataset における実験結果から,本システムは従来の手法よりも有意な差を示した。

関連論文リスト

• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• Bi-Encoders based Species Normalization -- Pairwise Sentence Learning to Rank [0.0]
  本稿では、名前付きエンティティ正規化のための新しい深層学習手法を提案し、問題をランク付けするペアワイズ学習として扱う。 本研究は,種の実体型に関する実験を行い,その手法を最先端技術に対して評価する。
  論文  参考訳（メタデータ） (2023-10-22T17:30:16Z)
• EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
  本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。 DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
  論文  参考訳（メタデータ） (2022-08-01T18:47:03Z)
• Improving Candidate Retrieval with Entity Profile Generation for Wikidata Entity Linking [76.00737707718795]
  本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。 我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。 本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
  論文  参考訳（メタデータ） (2022-02-27T17:38:53Z)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• A Lightweight Neural Model for Biomedical Entity Linking [1.8047694351309205]
  本論文では,生物医学的実体連携のための軽量ニューラル手法を提案する。 本手法では,アライメント層とアライメント機構を用いて参照とエンティティ名の違いをキャプチャする。 私達のモデルは標準的な評価のベンチマークの前の仕事と競争です。
  論文  参考訳（メタデータ） (2020-12-16T10:34:37Z)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)
• Information Extraction of Clinical Trial Eligibility Criteria [6.192164049563104]
  本稿では, 臨床トライアル(dot)govにおける治験から共有知識ベースへの基準設定のための情報抽出(IE)アプローチについて検討する。 我々は,この問題を新しい知識ベース集団タスクとみなし,機械学習と文脈自由文法を組み合わせたソリューションを実装した。 我々の知る限り、この研究は、名前付きエンティティ認識に注意に基づく条件付きランダムフィールドアーキテクチャを適用した最初の基準抽出システムである。
  論文  参考訳（メタデータ） (2020-06-12T16:25:45Z)
• Improving Broad-Coverage Medical Entity Linking with Semantic Type Prediction and Large-Scale Datasets [12.131050765159145]
  MedTypeは完全にモジュール化されたシステムで、エンティティ参照の予測されたセマンティックタイプに基づいて、無関係な候補概念を抽出する。 我々は、データセットをリンクする大規模医療機関であるWikiMedとPubMedDSを紹介し、これらのデータセット上でMedTypeを事前学習することで、エンティティリンク性能がさらに向上することを示す。
  論文  参考訳（メタデータ） (2020-05-01T15:55:50Z)
• Exemplar Auditing for Multi-Label Biomedical Text Classification [0.4873362301533824]
  我々は、最近提案されたゼロショットシーケンスラベリング手法「畳み込み分解による教師付きラベリング」を一般化する。 この手法は"イントロスペクション(introspection)"と分類され、推論時間予測のきめ細かい特徴を最も近い隣人に関連付ける。 提案手法は,医療従事者に対して,モデルの予測を駆動する健全な特徴を理解する上で,競争力のある分類モデルと尋問メカニズムの両方を提供する。
  論文  参考訳（メタデータ） (2020-04-07T02:54:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。