論文の概要: BioIE: Biomedical Information Extraction with Multi-head Attention
Enhanced Graph Convolutional Network
- arxiv url: http://arxiv.org/abs/2110.13683v1
- Date: Tue, 26 Oct 2021 13:19:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 20:39:22.729466
- Title: BioIE: Biomedical Information Extraction with Multi-head Attention
Enhanced Graph Convolutional Network
- Title（参考訳）: BioIE:マルチヘッドアテンション強化グラフ畳み込みネットワークを用いた生体情報抽出
- Authors: Jialun Wu, Yang Liu, Zeyu Gao, Tieliang Gong, Chunbao Wang and Chen Li
- Abstract要約: 本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。
本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
- 参考スコア（独自算出の注目度）: 9.227487525657901
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constructing large-scaled medical knowledge graphs can significantly boost
healthcare applications for medical surveillance, bring much attention from
recent research. An essential step in constructing large-scale MKG is
extracting information from medical reports. Recently, information extraction
techniques have been proposed and show promising performance in biomedical
information extraction. However, these methods only consider limited types of
entity and relation due to the noisy biomedical text data with complex entity
correlations. Thus, they fail to provide enough information for constructing
MKGs and restrict the downstream applications. To address this issue, we
propose Biomedical Information Extraction, a hybrid neural network to extract
relations from biomedical text and unstructured medical reports. Our model
utilizes a multi-head attention enhanced graph convolutional network to capture
the complex relations and context information while resisting the noise from
the data. We evaluate our model on two major biomedical relationship extraction
tasks, chemical-disease relation and chemical-protein interaction, and a
cross-hospital pan-cancer pathology report corpus. The results show that our
method achieves superior performance than baselines. Furthermore, we evaluate
the applicability of our method under a transfer learning setting and show that
BioIE achieves promising performance in processing medical text from different
formats and writing styles.
- Abstract（参考訳）: 大規模医療知識グラフの構築は、医療監視のための医療応用を著しく向上させる可能性がある。
大規模MKGの構築における重要なステップは、医療報告から情報を抽出することである。
近年,情報抽出技術が提案され,生体情報抽出において有望な性能を示した。
しかし,これらの手法は,複雑な実体相関を持つノイズの多いバイオメディカルテキストデータにより,限られた種類の実体と関係性しか考慮しない。
したがって、MKGの構築や下流アプリケーションを制限するのに十分な情報を提供していない。
本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。
本モデルでは,マルチヘッド注意強化グラフ畳み込みネットワークを用いて,データからの雑音に抵抗しながら複雑な関係と文脈情報をキャプチャする。
本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
その結果,本手法はベースラインよりも優れた性能を示した。
さらに,移動学習環境下での本手法の適用性を評価し,BioIEが様々な書式や書体から医療用テキストを処理する上で有望な性能を発揮することを示す。
関連論文リスト
- Graph Relation Distillation for Efficient Biomedical Instance
Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。
画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。
多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文 参考訳（メタデータ） (2024-01-12T04:41:23Z) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳（メタデータ） (2023-12-21T14:26:57Z) - High-throughput Biomedical Relation Extraction for Semi-Structured Web Articles Empowered by Large Language Models [1.9665865095034865]
関係抽出タスクを大言語モデルのバイナリ分類として定式化する。
メインタイトルをテールエンティティとして指定し、コンテキストに明示的に組み込む。
長い内容はテキストチャンクにスライスされ、埋め込みされ、追加の埋め込みモデルで検索される。
論文 参考訳（メタデータ） (2023-12-13T16:43:41Z) - ResMGCN: Residual Message Graph Convolution Network for Fast Biomedical
Interactions Discovering [0.0]
本稿では,バイオメディカル相互作用予測のためのResidual Message Graph Convolution Network (ResMGCN)を提案する。
タンパク質・タンパク質・薬物・薬物・標的・遺伝子・疾患の相互作用を含む4つのバイオメディカル相互作用ネットワークデータセットの実験を行った。
論文 参考訳（メタデータ） (2023-11-13T13:16:35Z) - Applying BioBERT to Extract Germline Gene-Disease Associations for Building a Knowledge Graph from the Biomedical Literature [0.0]
本稿では,ジェムリン遺伝子と疾患を結合する知識グラフ構築手法SimpleGermKGを提案する。
遺伝子および疾患の抽出には、バイオメディカルコーパス上でトレーニング済みのBERTモデルであるBioBERTを用いる。
記事,遺伝子,疾患間の意味的関連性について,部分的関係性アプローチを実装した。
知識グラフには297の遺伝子、130の疾患、46,747のトリプルが含まれている。
論文 参考訳（メタデータ） (2023-09-11T18:05:12Z) - BERT Based Clinical Knowledge Extraction for Biomedical Knowledge Graph
Construction and Analysis [0.4893345190925178]
本稿では,バイオメディカル臨床ノートからの知識抽出と分析のためのエンドツーエンドアプローチを提案する。
提案フレームワークは, 関連構造化情報を高精度に抽出できる。
論文 参考訳（メタデータ） (2023-04-21T14:45:33Z) - 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) - 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) - Scientific Language Models for Biomedical Knowledge Base Completion: An
Empirical Study [62.376800537374024]
我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。
LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
論文 参考訳（メタデータ） (2021-06-17T17:55:33Z) - A Literature Review of Recent Graph Embedding Techniques for Biomedical
Data [36.446560017794845]
このようなデータを分析するために,グラフに基づく学習法が数多く提案されている。
主な困難は、バイオメディカルグラフの高次元性と空間性を扱う方法である。
グラフ埋め込みメソッドは、上記の問題に対処するための効率的かつ効率的な方法を提供する。
論文 参考訳（メタデータ） (2021-01-17T01:53:50Z) - SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。
SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文 参考訳（メタデータ） (2020-10-04T00:14:57Z)
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。