論文の概要: Research on Medical Named Entity Identification Based On Prompt-Biomrc Model and Its Application in Intelligent Consultation System

• arxiv url: http://arxiv.org/abs/2506.01961v1
• Date: Thu, 08 May 2025 00:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-08 12:40:08.62475
• Title: Research on Medical Named Entity Identification Based On Prompt-Biomrc Model and Its Application in Intelligent Consultation System
• Title（参考訳）: Prompt-Biomrcモデルに基づく医療名識別に関する研究とインテリジェントコンサルティングシステムへの応用
• Authors: Jinzhu Yang,
• Abstract要約: 本稿では, ハードテンプレートとソフトプロンプトデザインを統合した Prompt-bioMRC モデルを提案する。 我々の発見は、我々のアプローチが従来のモデルを上回ることを一貫して示している。 本研究は、医療データの自動処理の進歩、より正確な医療情報抽出の促進、効率的な医療意思決定プロセスの支援に寄与する。
• 参考スコア（独自算出の注目度）: 2.5889737226898446
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study is dedicated to exploring the application of prompt learning methods to advance Named Entity Recognition (NER) within the medical domain. In recent years, the emergence of large-scale models has driven significant progress in NER tasks, particularly with the introduction of the BioBERT language model, which has greatly enhanced NER capabilities in medical texts. Our research introduces the Prompt-bioMRC model, which integrates both hard template and soft prompt designs aimed at refining the precision and efficiency of medical entity recognition. Through extensive experimentation across diverse medical datasets, our findings consistently demonstrate that our approach surpasses traditional models. This enhancement not only validates the efficacy of our methodology but also highlights its potential to provide reliable technological support for applications like intelligent diagnosis systems. By leveraging advanced NER techniques, this study contributes to advancing automated medical data processing, facilitating more accurate medical information extraction, and supporting efficient healthcare decision-making processes.
• Abstract（参考訳）: 本研究は,医学領域内における名前付きエンティティ認識(NER)の進歩に向けた,素早い学習手法の適用を探求することを目的としたものである。 近年,医療用テキストにおけるNER機能を大幅に強化したBioBERT言語モデルの導入により,大規模モデルの出現がNERタスクの大幅な進歩につながっている。 本研究は,医療エンティティ認識の精度と効率を改善することを目的とした,ハードテンプレートとソフトプロンプトデザインを統合したPrompt-bioMRCモデルを提案する。 多様な医療データセットにわたる広範な実験を通じて、我々のアプローチが従来のモデルを上回ることを一貫して示している。 この強化は、我々の方法論の有効性を検証するだけでなく、インテリジェント診断システムのようなアプリケーションに信頼性の高い技術サポートを提供する可能性も強調する。 本研究は,高度なNER技術を活用することにより,医療データ処理の高度化,より正確な医療情報抽出の促進,効率的な医療意思決定プロセスの支援に寄与する。

関連論文リスト

• Towards Artificial Intelligence Research Assistant for Expert-Involved Learning [64.7438151207189]
  大規模言語モデル (LLMs) と大規模多モードモデル (LMMs) は科学研究における変革的ツールとして登場している。 textbfExpert-involved textbfLearning (ARIEL)のためのtextbfARtificial textbfIntelligence Research Assistantを提案する。
  論文  参考訳（メタデータ） (2025-05-03T14:21:48Z)
• Biomedical Foundation Model: A Survey [84.26268124754792]
  ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。 これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。 本研究は,生物医学分野における基礎モデルの可能性を探るものである。
  論文  参考訳（メタデータ） (2025-03-03T22:42:00Z)
• Accurate Medical Named Entity Recognition Through Specialized NLP Models [3.9425549051034063]
  医療用テキスト処理におけるBioBERTの効果について検討した。 その結果、BioBERTは精度とF1スコアの両方で最高の成績を示し、医療分野における適用性と優位性を検証した。
  論文  参考訳（メタデータ） (2024-12-11T10:06:57Z)
• A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
  本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。 モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
  論文  参考訳（メタデータ） (2024-07-07T18:02:00Z)
• BioMNER: A Dataset for Biomedical Method Entity Recognition [25.403593761614424]
  本稿では,生物医学的手法による実体認識のための新しいデータセットを提案する。 我々は、人間のアノテーションを支援するために、自動的なBioMethodエンティティ認識と情報検索システムを採用している。 実験の結果,言語モデルのパラメータ数が大きくなると,実体抽出パターンの有効同化が著しく阻害されることが判明した。
  論文  参考訳（メタデータ） (2024-06-28T16:34:24Z)
• Exploration of Attention Mechanism-Enhanced Deep Learning Models in the Mining of Medical Textual Data [3.22071437711162]
  本研究では,医療用テキストマイニングにおける注意機構を利用した深層学習モデルの利用について検討した。 本研究の目的は、深層学習と注意機構を取り入れることで、本質的な医療情報を特定する能力を高めることである。
  論文  参考訳（メタデータ） (2024-05-23T00:20:14Z)
• MRC-based Nested Medical NER with Co-prediction and Adaptive Pre-training [0.38498367961730184]
  医療分野におけるモデルの能力向上のために,タスク適応型事前学習戦略を用いたMRC(Machine Reading)に基づく医療NERモデルを提案する。 提案手法は, 比較最先端モデル(SOTA)よりも優れている。
  論文  参考訳（メタデータ） (2024-03-23T11:14:02Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Multi-level biomedical NER through multi-granularity embeddings and enhanced labeling [3.8599767910528917]
  本稿では,複数のモデルの強みを統合するハイブリッドアプローチを提案する。 BERTは、文脈化された単語の埋め込み、文字レベルの情報キャプチャのための事前訓練されたマルチチャネルCNN、およびテキスト内の単語間の依存関係のシーケンスラベリングとモデル化のためのBiLSTM + CRFを提供する。 我々は、ベンチマークi2b2/2010データセットを用いて、F1スコア90.11を達成する。
  論文  参考訳（メタデータ） (2023-12-24T21:45:36Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)

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。