Fugu-MT 論文翻訳(概要): AAbAAC: An Annotated Corpus for Autoimmunity Information Extraction

論文の概要: AAbAAC: An Annotated Corpus for Autoimmunity Information Extraction

arxiv url: http://arxiv.org/abs/2606.13051v1
Date: Thu, 11 Jun 2026 08:34:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-12 15:55:27.675149
Title: AAbAAC: An Annotated Corpus for Autoimmunity Information Extraction
Title（参考訳）: AAbAAC:自己免疫情報抽出のための注釈付きコーパス
Authors: Fabien Maury, Solène Grosdidier, Maud de Dieuleveult, Adrien Coulet,
Abstract要約: AAbAAC (AutoAntibodies and Autoimmunity Corpus Annotated) はPubMedから選択された115個の抽象概念のコーパスである。 AAbAACは、名前付きエンティティ認識(NER)タスクにおけるいくつかの手法の評価や、NERモデルの微調整に使用された。本研究では,自己免疫領域における情報抽出におけるAAbAACの有用性を実証し,微調整後のNER性能の向上が期待できることを示す。
参考スコア（独自算出の注目度）: 0.31498833540989407
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite advances in information extraction driven by deep learning and large language models, performance gaps remain in highly specialized biomedical fields, where domainspecific complexity poses challenges for generalist models. In this work, we focus on the domain of autoimmunity, where the main entities of interest are autoimmune diseases, autoantibodies (i.e., molecules that may mark or cause these diseases), their molecular targets, their location in the body, and their associated clinical signs. Herein, we present AAbAAC (AutoAntibodies and Autoimmunity Annotated Corpus), a corpus of 115 abstracts selected from PubMed, where we manually annotated entities and their relationships. First, AAbAAC was used to evaluate several methods on the task of named entity recognition (NER), and secondly, to fine-tune NER models. Our study demonstrates the utility of AAbAAC for information extraction in the domain of autoimmunity, showing expected improvement in NER performance after finetuning. This illustrates the value of small-scale annotation efforts for specialized domains and contributes to the computational study of autoimmunity. The AAbAAC corpus is available at https://github.com/f-maury/AAbAAC.
Abstract（参考訳）: ディープラーニングと大規模言語モデルによって引き起こされる情報抽出の進歩にもかかわらず、パフォーマンスギャップは高度に専門化されたバイオメディカル分野に留まり、ドメイン固有の複雑さはジェネラリストモデルに課題をもたらす。本研究は自己免疫の領域に焦点をあて,自己免疫疾患,自己抗体(これらの疾患をマークまたは原因とする可能性のある分子),分子標的,身体内の位置,臨床症状などを主目的とする。本稿では,PubMedから選択された115の抽象表現コーパスであるAAbAAC(AutoAntibodies and Autoimmunity Annotated Corpus)について紹介する。まず、AAbAACを用いて、名前付きエンティティ認識(NER)タスクにおけるいくつかの手法の評価を行い、次に、NERモデルを微調整した。本研究では,自己免疫領域における情報抽出におけるAAbAACの有用性を実証し,微調整後のNER性能の向上が期待できることを示す。このことは、専門領域に対する小規模なアノテーションの取り組みの価値を示し、自己免疫の計算研究に貢献する。 AAbAACコーパスはhttps://github.com/f-maury/AAbAACで入手できる。

関連論文リスト

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)
Named Entity Recognition Under Domain Shift via Metric Learning for Life Sciences [55.185456382328674]
名前付きエンティティ認識モデルの拡張のための転写学習の適用性について検討する。本モデルでは,(1)アノテートイベントからの知識を付加してエンティティ間の関係を確立するソースドメインにおけるエンティティグループ化,2) 対象ドメインにおけるエンティティの識別を擬似ラベリングとコントラスト学習に頼って,2つのドメイン内のエンティティ間の識別を強化する,という2つの段階で構成されている。
論文参考訳（メタデータ） (2024-01-19T03:49:28Z)
EMBRE: Entity-aware Masking for Biomedical Relation Extraction [12.821610050561256]
本稿では,関係抽出のためのEMBRE (Entity-Aware Masking for Biomedical Relation extract) 法を提案する。具体的には、バックボーンモデルとエンティティマスキングの目的を事前学習することにより、エンティティ知識をディープニューラルネットワークに統合する。
論文参考訳（メタデータ） (2024-01-15T18:12:01Z)
Inspire the Large Language Model by External Knowledge on BioMedical Named Entity Recognition [3.427366431933441]
大規模言語モデル(LLM)は多くのNLPタスク、特に生成タスクにおいて支配的な性能を示す。 LLMを利用して、バイオメディカルNERタスクをエンティティスパン抽出とエンティティタイプ決定に分解する。実験の結果,2段階のBioNERアプローチでは,以前の数発のLDMベースラインと比較して有意な改善が見られた。
論文参考訳（メタデータ） (2023-09-21T17:39:53Z)
Partial Annotation Learning for Biomedical Entity Recognition [0.19336815376402716]
部分的アノテーション学習法は, 実体アノテーションの欠如により, バイオメディカルコーパスから効果的に学習できることが示唆された。提案手法は代替品よりも優れており,特にPubMedBERTタグをF1スコアで38%向上させる。
論文参考訳（メタデータ） (2023-05-22T15:18:38Z)
From Zero to Hero: Harnessing Transformers for Biomedical Named Entity Recognition in Zero- and Few-shot Contexts [0.0]
本稿では,生物医学領域におけるゼロショットNERと少数ショットNERの手法を提案する。我々は、ゼロショットNERが35.44%、ワンショットNERが50.10%、10ショットNERが69.94%、100ショットNERが79.51%の平均スコアを達成した。
論文参考訳（メタデータ） (2023-05-05T12:14:22Z)
Nested Named Entity Recognition from Medical Texts: An Adaptive Shared Network Architecture with Attentive CRF [53.55504611255664]
ネスト現象によるジレンマを解決するために,ASACと呼ばれる新しい手法を提案する。提案手法は,適応共有(AS)部と注意条件付きランダムフィールド(ACRF)モジュールの2つの鍵モジュールを含む。我々のモデルは、異なるカテゴリのエンティティ間の暗黙の区別と関係をキャプチャすることで、より良いエンティティ表現を学ぶことができる。
論文参考訳（メタデータ） (2022-11-09T09:23:56Z)
EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。 DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文参考訳（メタデータ） (2022-08-01T18:47:03Z)
Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文参考訳（メタデータ） (2022-04-21T08:23:44Z)
MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network Architecture for Medical Image Analysis [71.2022403915147]
医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
論文参考訳（メタデータ） (2021-10-12T15:05:15Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。