論文の概要: A PubMed-Scale Dataset of Structured Biomedical Abstracts
- arxiv url: http://arxiv.org/abs/2606.11361v1
- Date: Tue, 09 Jun 2026 18:42:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.143384
- Title: A PubMed-Scale Dataset of Structured Biomedical Abstracts
- Title（参考訳）: 構造化バイオメディカル抽象化のPubMed-Scaleデータセット
- Authors: Chia-Hsuan Chang, Haerin Song, Brian Ondov, Hua Xu,
- Abstract要約: Structured PubMedは、完全なPubMedデータベースからコンパイルされたセクションラベルのバイオメディカル抽象化の包括的コーパスである。
このデータセットは、文分類モデルのトレーニング、テキストセグメンテーションアーキテクチャのベンチマーク、大規模でセクション固有の情報抽出の実行に利用することができる。
- 参考スコア（独自算出の注目度）: 6.389357174676051
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Structured abstracts are important for biomedical literature processing, by facilitating information retrieval, text mining, and knowledge synthesis. However, a vast portion of abstracts indexed in PubMed remain unstructured, presenting a significant bottleneck for downstream text-processing workflows and applications. To resolve this limitation, we introduce Structured PubMed, a comprehensive corpus of section-labeled biomedical abstracts compiled from the complete PubMed database, encompassing over 23.2 million research-article records. The corpus is divided into two distinct subsets: a collection of 5.9 million author-structured abstracts parsed from official XML files, and an automatically labeled collection of 17.2 million originally unstructured abstracts structured via a verbatim-extraction Large Language Model pipeline. Every record is harmonized under a unified five-section schema and mapped to its original PubMed identifier, publication type, and publication date. This dataset can be utilized to train sentence-classification models, benchmark text-segmentation architectures, and perform large-scale, section-specific information extraction at an unprecedented PubMed-wide scale.
- Abstract（参考訳）: 構造化された抽象化は、情報検索、テキストマイニング、知識合成を容易にし、バイオメディカルな文献処理に重要である。
しかし、PubMedでインデックスされた抽象化の大部分は構造化されていないままであり、下流のテキスト処理ワークフローやアプリケーションにとって重大なボトルネックとなっている。
この制限を解決するために、完全なPubMedデータベースからコンパイルされたセクションラベルのバイオメディカル・抽象化の包括的コーパスであるStructured PubMedを導入し、2320万以上の研究成果を記録した。
コーパスは、公式XMLファイルから解析された5.9百万の著者構造抽象のコレクションと、冗長抽出された大規模言語モデルパイプラインを介して構造化された17.2百万の非構造化抽象のコレクションの2つの異なるサブセットに分けられる。
すべてのレコードは統合された5つのセクションスキーマの下で調和し、元のPubMed識別子、パブリッシュタイプ、パブリッシュ日付にマップされる。
このデータセットは、文分類モデルのトレーニング、テキストセグメンテーションアーキテクチャのベンチマーク、および前例のないPubMed規模の大規模かつセクション固有の情報抽出を実行するために利用することができる。
関連論文リスト
- Divide-Prompt-Refine: a Training-Free, Structure-Aware Framework for Biomedical Abstract Generation [0.8774270519266251]
DPR-BAG (Divide, Prompt, Refine for Biomedical Abstract Generation) を提案する。
DPR-BAGは、全文文書をBOMRCスキーマに従って構造化された修辞面に分解する。
厳密な抽出と微調整のベースラインよりも抽象的ノベルティを向上し、事実整合性を維持している。
論文 参考訳（メタデータ） (2026-05-20T02:25:21Z) - From Panel to Pixel: Zoom-In Vision-Language Pretraining from Biomedical Scientific Literature [86.7745150269054]
パネル2パッチ(Panel2Patch)は、既存のバイオメディカル科学文献から階層構造をマイニングする新しいデータパイプラインである。
科学的数字とキャプションが与えられた場合、Panel2Patchはレイアウト、パネル、ビジュアルマーカーを解析し、フィギュア、パネル、パッチレベルにおいて階層的に協調した視覚言語ペアを構築する。
我々は,不均一な目的を粗いドクティックな記述から細かな領域に焦点を絞ったフレーズに統一する,粒度を考慮した事前学習戦略を開発した。
論文 参考訳（メタデータ） (2025-12-02T09:37:51Z) - LeMat-Synth: a multi-modal toolbox to curate broad synthesis procedure databases from scientific literature [60.879220305044726]
本稿では,大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いて合成手順と性能データを自動抽出・整理するマルチモーダルツールボックスを提案する。
LeMat-Synth (v 1.0):35種類の合成法と16種類の材料クラスにまたがる合成手順を含むデータセット。
我々は,新しいコーパスと合成ドメインへのコミュニティ主導の拡張をサポートするために設計された,モジュール形式のオープンソースライブラリをリリースする。
論文 参考訳（メタデータ） (2025-10-28T17:58:18Z) - BIOMEDICA: An Open Biomedical Image-Caption Archive, Dataset, and Vision-Language Models Derived from Scientific Literature [73.39593644054865]
BIOMEDICAはスケーラブルでオープンソースのフレームワークで、PubMed Central Open Accessサブセット全体を抽出、注釈付け、シリアライズして、使いやすく、公開可能なデータセットにする。
われわれのフレームワークは600万以上の記事から2400万以上のユニークな画像テキストペアで包括的なアーカイブを生成する。
BMCA-CLIPは、ストリーミングを通じてBIOMEDICAデータセット上で継続的に事前トレーニングされたCLIPスタイルのモデルのスイートで、27TBのデータをローカルにダウンロードする必要がなくなる。
論文 参考訳（メタデータ） (2025-01-13T09:58:03Z) - From Text Segmentation to Smart Chaptering: A Novel Benchmark for
Structuring Video Transcriptions [63.11097464396147]
音声コンテンツに焦点をあてた新しいベンチマークYTSegを導入し、その内容は本質的に非構造的であり、トポロジと構造的にも多様である。
また,高効率な階層分割モデルMiniSegを導入する。
論文 参考訳（メタデータ） (2024-02-27T15:59:37Z) - Integrating curation into scientific publishing to train AI models [1.6982459897303823]
我々は,複数モーダルデータキュレーションを学術出版プロセスに組み込んで,セグメント化された図形パネルやキャプションに注釈を付ける。
SourceData-NLPというデータセットには、620,000以上の注釈付きバイオメディカルエンティティが含まれている。
我々は、名前付き認識、図形キャプションを構成パネルに分割すること、コンテキスト依存型セマンティックタスクを用いて、AIモデルをトレーニングするためのデータセットの有用性を評価する。
論文 参考訳（メタデータ） (2023-10-31T13:22:38Z) - Entity-driven Fact-aware Abstractive Summarization of Biomedical
Literature [3.977582258550673]
本稿では, エンド・ツー・エンド・エンド・トランスフォーマーに基づくエンコーダ・デコーダ・モデルを用いて, バイオメディカル・アーティクルの抽象的な要約を学習するためのエンティティ駆動型ファクト・アウェア・フレームワークを提案する。
我々は5つの最先端変換器モデルを用いて実験を行う。
提案手法はICD-11-Summ-1000とPubMed-50kで評価される。
論文 参考訳（メタデータ） (2022-03-30T00:34:56Z) - MS2: Multi-Document Summarization of Medical Studies [11.38740406132287]
MS2(Multi-Document Summarization of Medical Studies)は、科学文献から得られた470k以上の文書と20kの要約からなるデータセットです。
このデータセットは、矛盾する証拠を複数の研究で評価し集約するシステムの開発を促進する。
早期成果を期待して,BARTに基づく要約システムを実験した。
論文 参考訳（メタデータ） (2021-04-13T19:59:34Z)
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。