論文の概要: SynCABEL: Synthetic Contextualized Augmentation for Biomedical Entity Linking

• arxiv url: http://arxiv.org/abs/2601.19667v1
• Date: Tue, 27 Jan 2026 14:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.351961
• Title: SynCABEL: Synthetic Contextualized Augmentation for Biomedical Entity Linking
• Title（参考訳）: SynCABEL: バイオメディカルエンティティリンクのための合成文脈拡張
• Authors: Adam Remaki, Christel Gérardin, Eulàlia Farré-Maduell, Martin Krallinger, Xavier Tannier,
• Abstract要約: SynCABELは、ターゲット知識ベースにおけるすべての候補概念に対して、文脈に富んだ総合的なトレーニング例を生成する。 我々は,SynCABELが,最大60%の注釈付きデータを用いて,完全な人間の監督性能に達することを示す。
• 参考スコア（独自算出の注目度）: 1.7807361446675083
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present SynCABEL (Synthetic Contextualized Augmentation for Biomedical Entity Linking), a framework that addresses a central bottleneck in supervised biomedical entity linking (BEL): the scarcity of expert-annotated training data. SynCABEL leverages large language models to generate context-rich synthetic training examples for all candidate concepts in a target knowledge base, providing broad supervision without manual annotation. We demonstrate that SynCABEL, when combined with decoder-only models and guided inference establish new state-of-the-art results across three widely used multilingual benchmarks: MedMentions for English, QUAERO for French, and SPACCC for Spanish. Evaluating data efficiency, we show that SynCABEL reaches the performance of full human supervision using up to 60% less annotated data, substantially reducing reliance on labor-intensive and costly expert labeling. Finally, acknowledging that standard evaluation based on exact code matching often underestimates clinically valid predictions due to ontology redundancy, we introduce an LLM-as-a-judge protocol. This analysis reveals that SynCABEL significantly improves the rate of clinically valid predictions. Our synthetic datasets, models, and code are released to support reproducibility and future research.
• Abstract（参考訳）: バイオメディカルエンティティリンク(BEL)における中心的ボトルネックに対処するフレームワークであるSynCABEL(Synthetic Contextualized Augmentation for Biomedical Entity Linking)について述べる。 SynCABELは、大規模言語モデルを活用して、対象とする知識ベース内のすべての候補概念に対して、文脈に富んだ総合的なトレーニング例を生成する。 我々は、SynCABELがデコーダのみのモデルとガイド付き推論を組み合わせることで、広く使われている3つの多言語ベンチマーク(MedMentions for English、quERO for French、SPACCC for Spanish)にまたがって、新しい最先端結果を確立することを実証した。 データ効率を評価すると、SynCABELは、最大60%の注釈付きデータを使用して、完全な人間の監督性能に到達し、労働集約的でコストのかかる専門家ラベルへの依存を大幅に減らすことを示す。 最後に、正確なコードマッチングに基づく標準評価は、オントロジーの冗長性による臨床的に有効な予測を過小評価することが多いことを認め、LSM-as-a-judgeプロトコルを導入する。 この分析から,SynCABELは臨床的に有効な予測率を大幅に向上させることが明らかとなった。 我々の合成データセット、モデル、およびコードは、再現性と将来の研究をサポートするためにリリースされます。

関連論文リスト

• AI Co-Scientist for Knowledge Synthesis in Medical Contexts: A Proof of Concept [0.0]
  本稿では,人口,インターベンション,コンパレータ,アウトカム,学習デザイン(PICOS)の明示的な形式化に基づく,スケーラブルで透明な知識合成のためのAIを提案する。 このプラットフォームはリレーショナルストレージ、ベクトルベースのセマンティック検索、Neo4jナレッジグラフを統合している。 その結果,PICOS対応で説明可能な自然言語処理は,エビデンス合成のスケーラビリティ,透明性,効率性を向上できることがわかった。
  論文  参考訳（メタデータ） (2026-01-16T23:07:58Z)
• Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
  Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。 本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
  論文  参考訳（メタデータ） (2026-01-01T06:11:16Z)
• Scaling Arabic Medical Chatbots Using Synthetic Data: Enhancing Generative AI with Synthetic Patient Records [0.4666493857924357]
  学習コーパスを10万レコードに拡張するためのスケーラブルな合成データ拡張戦略を提案する。 元のデータセットの構造を基盤とした,コンテキスト的に関連性があり,医療的に整合性のある合成質問応答ペアを8万個生成した。
  論文  参考訳（メタデータ） (2025-09-12T09:58:11Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• A Multi-Faceted Evaluation Framework for Assessing Synthetic Data Generated by Large Language Models [3.672850225066168]
  生成AIと大規模言語モデル(LLM)は、合成データを生成するための新たな道を開いた。 潜在的なメリットにもかかわらず、プライバシー漏洩に関する懸念が浮上している。 我々は,合成表データの忠実さ,有用性,およびプライバシー保護を評価するために設計されたオープンソースの評価フレームワークであるSynEvalを紹介する。
  論文  参考訳（メタデータ） (2024-04-20T08:08:28Z)
• ClinLinker: Medical Entity Linking of Clinical Concept Mentions in Spanish [39.81302995670643]
  本研究は、医療エンティティリンクのための2相パイプラインを用いた新しいアプローチであるClinLinkerを提示する。 SapBERTベースのバイエンコーダに基づいており、その後クロスエンコーダで再ランクされ、スペインの医療概念に合わせた対照的な学習戦略に従って訓練されている。
  論文  参考訳（メタデータ） (2024-04-09T15:04:27Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)

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。