Fugu-MT 論文翻訳(概要): Automatic Extraction of Medication Names in Tweets as Named Entity Recognition

論文の概要: Automatic Extraction of Medication Names in Tweets as Named Entity Recognition

arxiv url: http://arxiv.org/abs/2111.15641v1
Date: Tue, 30 Nov 2021 18:25:32 GMT
ステータス: 処理完了
システム内更新日: 2021-12-01 14:39:52.268710
Title: Automatic Extraction of Medication Names in Tweets as Named Entity Recognition
Title（参考訳）: 名前付きエンティティ認識によるつぶやき中のメディケイト名の自動抽出
Authors: Carol Anderson, Bo Liu, Anas Abidin, Hoo-Chang Shin, Virginia Adams
Abstract要約: バイオクリエイティヴVIIタスク3は、ツイート中の医薬品や栄養補助薬の言及を認識することで、この情報をマイニングすることに焦点を当てている。トークンレベルの分類を行うために,複数のBERTスタイルの言語モデルを微調整することで,この問題に対処する。我々の最良のシステムは、5つのメガトロン-BERT-345Mモデルで構成され、未知のテストデータに対して厳密なF1スコア0.764を達成する。
参考スコア（独自算出の注目度）: 3.7462395049372894
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Social media posts contain potentially valuable information about medical conditions and health-related behavior. Biocreative VII Task 3 focuses on mining this information by recognizing mentions of medications and dietary supplements in tweets. We approach this task by fine tuning multiple BERT-style language models to perform token-level classification, and combining them into ensembles to generate final predictions. Our best system consists of five Megatron-BERT-345M models and achieves a strict F1 score of 0.764 on unseen test data.
Abstract（参考訳）: ソーシャルメディアの投稿には、医療状況や健康関連行動に関する潜在的に価値のある情報が含まれている。バイオクリエイティヴVIIタスク3は、ツイート中の医薬品や栄養補助薬の言及を認識することで、この情報をマイニングすることに焦点を当てている。複数のBERTスタイルの言語モデルを微調整してトークンレベルの分類を行い、それらをアンサンブルに組み合わせて最終的な予測を生成する。我々の最良のシステムは、5つのメガトロン-BERT-345Mモデルで構成され、未知のテストデータに対して厳密なF1スコア0.764を達成する。

関連論文リスト

Towards Evaluating and Building Versatile Large Language Models for Medicine [57.49547766838095]
MedS-Benchは大規模言語モデル(LLM)の性能を臨床的に評価するためのベンチマークである。 MedS-Benchは、臨床報告の要約、治療勧告、診断、名前付きエンティティ認識、医療概念説明を含む、11のハイレベルな臨床タスクにまたがる。 MedS-Insは58の医療指向言語コーパスで構成され、112のタスクで1350万のサンプルを収集している。
論文参考訳（メタデータ） (2024-08-22T17:01:34Z)
Hybrid X-Linker: Automated Data Generation and Extreme Multi-label Ranking for Biomedical Entity Linking [45.16091578348614]
最先端のディープラーニングエンティティリンク手法は、広範囲にわたる人間のラベル付きデータに依存している。現在のデータセットのサイズは限られており、バイオメディカルな概念が不十分である。大規模トレーニングデータセットを作成するために,データの自動生成を提案する。
論文参考訳（メタデータ） (2024-07-08T18:04:22Z)
BiomedRAG: A Retrieval Augmented Large Language Model for Biomedicine [19.861178160437827]
大規模言語モデル(LLM)は、バイオメディカルおよび医療分野における様々な応用のための重要なリソースとして急速に現れてきた。 textscBiomedRAGは5つのバイオメディカルNLPタスクで優れたパフォーマンスを実現している。 textscBiomedRAG は、GIT と ChemProt コーパスにおいて、マイクロF1スコアが 81.42 と 88.83 の他のトリプル抽出システムより優れている。
論文参考訳（メタデータ） (2024-05-01T12:01:39Z)
ThangDLU at #SMM4H 2024: Encoder-decoder models for classifying text data on social disorders in children and adolescents [49.00494558898933]
本稿では,#SMM4H (Social Media Mining for Health) 2024 Workshopのタスク3とタスク5への参加について述べる。タスク3は、屋外環境が社会不安の症状に与える影響を議論するツイートを中心にした多クラス分類タスクである。タスク5は、子供の医学的障害を報告しているツイートに焦点を当てたバイナリ分類タスクを含む。 BART-baseやT5-smallのような事前訓練されたエンコーダデコーダモデルからの転送学習を適用し、与えられたツイートの集合のラベルを同定した。
論文参考訳（メタデータ） (2024-04-30T17:06:20Z)
PMC-LLaMA: Towards Building Open-source Language Models for Medicine [62.39105735933138]
大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示した。 LLMは、ドメイン固有の知識が不足しているため、医学的応用のような正確性を必要とする領域で苦労している。 PMC-LLaMAと呼ばれる医療応用に特化した強力なオープンソース言語モデルの構築手順について述べる。
論文参考訳（メタデータ） (2023-04-27T18:29:05Z)
BCH-NLP at BioCreative VII Track 3: medications detection in tweets using transformer networks and multi-task learning [9.176393163624002]
テキスト分類とシーケンスラベリングを併用したマルチタスク学習モデルを実装した。私たちのベストシステムは80.4の厳格なF1を達成し、全参加者の平均スコアよりも1位と10ポイント以上高くランク付けしました。
論文参考訳（メタデータ） (2021-11-26T19:22:51Z)
Extraction of Medication Names from Twitter Using Augmentation and an Ensemble of Language Models [55.44979919361194]
BioCreative VII Track 3の課題は、Twitterのユーザータイムラインで薬物名を特定することである。この課題への回答として、いくつかのデータ拡張技術を用いて、利用可能なトレーニングデータを拡張しました。その後、拡張されたデータは、一般ドメインのTwitterコンテンツで事前トレーニングされた言語モデルのアンサンブルを微調整するために使用された。
論文参考訳（メタデータ） (2021-11-12T11:18:46Z)
A PubMedBERT-based Classifier with Data Augmentation Strategy for Detecting Medication Mentions in Tweets [2.539568419434224]
Twitterは毎日大量のユーザー生成テキスト(ツイート)を公開している。エンティティ認識(NER)は、ツイートデータにいくつかの特別な課題を提示します。本稿では,複数のデータ拡張手法を組み合わせたPubMedBERTベースの分類器について検討する。提案手法はF1スコアが0.762であり, 平均値よりもかなり高い値を示した。
論文参考訳（メタデータ） (2021-11-03T14:29:24Z)
CLIP: A Dataset for Extracting Action Items for Physicians from Hospital Discharge Notes [17.107315598110183]
我々はMIMIC-III上に注釈付けされた臨床行動項目のデータセットを作成する。このデータセットはCLIPと呼ばれ、医師によって注釈付けされ、1万の文章を表す文書をカバーしています。本稿では,これらの文書からアクション項目を抽出するタスクを多アスペクト抽出要約として記述する。
論文参考訳（メタデータ） (2021-06-04T14:49:02Z)
Students Need More Attention: BERT-based AttentionModel for Small Data with Application to AutomaticPatient Message Triage [65.7062363323781]
BioBERT (Bidirectional Representations from Transformers for Biomedical Text Mining) に基づく新しいフレームワークを提案する。 LESA-BERTと呼ぶBERTの各層にラベル埋め込みを導入し、(ii)LESA-BERTを小さな変種に蒸留することにより、小さなデータセットで作業する際のオーバーフィッティングとモデルサイズを低減することを目指す。アプリケーションとして,本フレームワークを用いて,患者ポータルメッセージトリアージのモデルを構築し,メッセージの緊急度を非緊急度,中度度,緊急度という3つのカテゴリに分類する。
論文参考訳（メタデータ） (2020-06-22T03:39:00Z)

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。