論文の概要: MC-DRE: Multi-Aspect Cross Integration for Drug Event/Entity Extraction
- arxiv url: http://arxiv.org/abs/2308.06546v1
- Date: Sat, 12 Aug 2023 12:03:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 16:43:25.086890
- Title: MC-DRE: Multi-Aspect Cross Integration for Drug Event/Entity Extraction
- Title（参考訳）: mc-dre: 薬物イベント/エンティティ抽出のためのマルチアスペクトクロス統合
- Authors: Jie Yang and Soyeon Caren Han and Siqu Long and Josiah Poon and Goran
Nenadic
- Abstract要約: 薬物の実体・事象検出のための多視点クロスインテグレーションフレームワークを提案する。
我々のモデルは、最近の12の最先端モデルよりも大幅に優れています。
- 参考スコア（独自算出の注目度）: 19.4567740328955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting meaningful drug-related information chunks, such as adverse drug
events (ADE), is crucial for preventing morbidity and saving many lives. Most
ADE are reported via an unstructured conversation with the medical context.
Hence, applying a general entity recognition approach is not sufficient enough.
The key is how to integrate and align multiple crucial aspects to detect drug
event information, including drug event semantics, syntactic structures, and
medical domain terminology. In this paper, we propose a new multi-aspect
cross-integration framework for drug entity/event detection by capturing and
aligning different context/language/knowledge properties from drug-related
documents. We first construct multi-aspect encoders to describe semantic,
syntactic, and medical document contextual information by conducting those slot
tagging tasks, main drug entity/event detection, part-of-speech tagging, and
general medical named entity recognition. Then, each encoder conducts cross
integration and alignment with other contextual information in three ways,
including the key-value cross, attention cross, and feedforward cross, so the
multi-encoders are integrated in depth. Then, we perform extensive experiments
on two widely used drug-related entity recognition downstream tasks, flat
entity detection and discontinuous event extraction. Our model significantly
outperforms all recent twelve state-of-the-art models. The implementation code
will be released at~\url{https://github.com/adlnlp/mc-dre}.
- Abstract（参考訳）: 有害薬物事象(ADE)などの有意義な薬物関連情報を抽出することは、有害な薬物の予防と多くの命を救うために重要である。
ほとんどのADEは、医療状況との非構造化の会話を通じて報告される。
したがって、一般的なエンティティ認識アプローチを適用するだけでは不十分である。
鍵となるのは、薬物イベントのセマンティクス、構文構造、医学領域用語など、薬物イベント情報を検出するための複数の重要な側面を統合する方法だ。
本稿では,薬物関連文書からコンテキスト/言語/知識の異なる特性を捕捉・整合させることにより,薬物の実体/事象検出のための多面的クロスインテグレーションフレームワークを提案する。
まず,マルチアスペクトエンコーダを構築し,意味的,構文的,医学的文書の文脈情報を,スロットタグタスク,主要薬物エンティティ/イベント検出,パート・オブ・スパイチ・タグ,一般医療名付きエンティティ認識により記述する。
次に、各エンコーダはキー・バリュー・クロス、アテンション・クロス、フィードフォワード・クロスを含む3つの方法でクロス統合およびアライメントを行い、マルチエンコーダを深く統合する。
そして、広く使われている2つの薬物関連エンティティ認識下流タスク、フラットエンティティ検出、不連続イベント抽出に関する広範な実験を行った。
我々のモデルは最新の12の最先端モデルを大きく上回っている。
実装コードは~\url{https://github.com/adlnlp/mc-dre}でリリースされる。
関連論文リスト
- Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF)
我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。
本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-07T17:32:21Z) - Two eyes, Two views, and finally, One summary! Towards Multi-modal Multi-tasking Knowledge-Infused Medical Dialogue Summarization [12.953002469651938]
医学的懸念, 医師の印象, 全体像の要約を同時に生成する多面的アプローチの有効性について検討した。
マルチモーダル・マルチタスク・知識注入型医療対話要約生成モデル(MMK-Summation)を提案する。
モデルMMK-Summationは、対話を入力として取り、コンテキストに基づいて関連する外部知識を抽出し、対話から知識と視覚的手がかりをテキストコンテンツに統合し、最終的には簡潔な要約を生成する。
論文 参考訳（メタデータ） (2024-07-21T18:00:10Z) - RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。
私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
論文 参考訳（メタデータ） (2024-04-25T17:11:37Z) - Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。
MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
論文 参考訳（メタデータ） (2023-07-19T02:11:19Z) - Iteratively Improving Biomedical Entity Linking and Event Extraction via
Hard Expectation-Maximization [9.422435686239538]
バイオメディカル・エンティティ・リンクとイベント抽出は、バイオメディカル・ドメインにおけるテキストの理解と検索を支援する2つの重要なタスクである。
従来の研究は通常、これらの2つのタスクを別々に、あるいはパイプラインで解決し、エラーの伝播につながる。
本稿では,知識ベースにおけるイベント構造とエンティティ参照を潜伏変数として扱うことで,共同生物医学的実体リンクとイベント抽出を提案する。
論文 参考訳（メタデータ） (2023-05-24T02:30:31Z) - Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。
具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
論文 参考訳（メタデータ） (2023-05-17T14:30:11Z) - LILE: Look In-Depth before Looking Elsewhere -- A Dual Attention Network
using Transformers for Cross-Modal Information Retrieval in Histopathology
Archives [0.7614628596146599]
クロスモダリティデータ検索は多くの分野や研究分野の要件となっている。
本研究では,共同潜在空間における画像やテキストの表現を支援するために,新たな損失項を持つ新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-03-02T22:42:20Z) - 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) - Slot Filling for Biomedical Information Extraction [0.5330240017302619]
バイオメディカルIEの課題に対してスロットフィリングアプローチを提案する。
我々は、トランフォーマベースのバイエンコーダDense Passage RetrievalをTransformerベースのリーダーモデルと結合する提案パラダイムに従う。
論文 参考訳（メタデータ） (2021-09-17T14:16:00Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳（メタデータ） (2020-10-04T10:25:13Z) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z)
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。