論文の概要: Large language model-assisted discovery of cohorts from scientific literature
- arxiv url: http://arxiv.org/abs/2608.15909v1
- Date: Sun, 16 Aug 2026 19:54:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.46545
- Title: Large language model-assisted discovery of cohorts from scientific literature
- Title（参考訳）: 大規模言語モデルを用いた科学文献からのコホート発見
- Authors: Moritz Sturm, Lisa M. Berg, Inken Berg, Harishny Sarma, Jasmin Hartmann, Denissa Girschik, Gemma Roig, Christine M. Freitag, Andreas G. Chiocchetti,
- Abstract要約: マルチスタディ分析の計画には、関連する参加者、表現型、データモダリティとコホートを識別する必要がある。
このプロセスは一般的に、事前の知識、コホートカタログ、手作業による文献検索に依存している。
我々は、関連する科学的文献を検索し、明確なコホート名を抽出する質問駆動フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 3.981878112335394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Planning multi-study analyses requires identifying cohorts with the relevant participants, phenotypes, and data modalities. This process commonly relies on prior knowledge, cohort catalogues, and manual literature searches. We developed a complementary question-driven framework that searches relevant scientific literature and extracts explicit cohort names. Methods: The framework first generates multiple PubMed queries from configurable vocabularies and templates and retrieves the resulting scientific literature automatically through the PubMed API. A large language model then screens the retrieved titles and abstracts and extracts explicit cohort names using a prompt tailored to the research question. The extracted names are deduplicated with human review. Configurable code, prompts, and example outputs are available at https://gitlab.rz.uni-frankfurt.de/cap_molgenlab/literature-cohort-discovery. Evaluation: As a use case, we applied the framework to youth aggression genetics. From 5,400 generated PubMed queries, the framework retrieved 5,254 unique records and identified 188 candidate cohorts. Manual screening using predefined criteria, including participant age and genetic-data availability, retained 44 eligible cohorts. Automated LLM-based name extraction was within the agreement range of human annotators. We also searched four established cohort catalogues using the same research question. Their combined results contained 27 of the 44 eligible cohorts, while 17 were not returned by any cohort catalogue search. Conclusion: The framework converts research-question-specific vocabulary into screenable cohort inventories via a large, automated literature search. It can be adapted across populations, phenotypes, data modalities, and study designs, and provides a literature-based complement to curated cohort catalogues.
- Abstract（参考訳）: 背景: マルチスタディ分析の計画には、関連する参加者、表現型、データモダリティとコホートを識別する必要がある。
このプロセスは一般的に、事前の知識、コホートカタログ、手作業による文献検索に依存している。
我々は,関連する科学的文献を検索し,明確なコホート名を抽出する補完的な質問駆動フレームワークを開発した。
メソッド: このフレームワークはまず、設定可能な語彙とテンプレートから複数のPubMedクエリを生成し、PubMed APIを通じて結果の科学文献を自動的に取得する。
そして、検索したタイトルと抽象語をスクリーニングし、研究課題に合わせたプロンプトを使って明示的なコホート名を抽出する。
抽出された名前は、人間のレビューと重複する。
設定可能なコード、プロンプト、サンプル出力はhttps://gitlab.rz.uni-frankfurt.de/cap_molgenlab/literature-cohort-discovery.comで公開されている。
評価: ユースケースとして, 青少年攻撃遺伝学にこの枠組みを適用した。
5,400件のPubMedクエリから5,254件のユニークなレコードを取得し、188件の候補コホートを特定した。
参加者年齢や遺伝データの可用性など,予め定義された基準を用いた手動スクリーニングでは,44項目のコホートが保持された。
LLMをベースとした自動名前抽出は、人間のアノテータの合意範囲内であった。
また,同じ研究課題を用いて,確立された4つのコホートカタログを検索した。
その結果,コホート44種中27種,17種はコホートカタログ検索により回収されなかった。
結論: このフレームワークは,研究固有の語彙を,大規模かつ自動化された文献検索を通じて,スクリーン可能なコホート在庫に変換する。
これは、人口、表現型、データモダリティ、研究デザインに適応することができ、キュレートされたコホートカタログを補完する文学ベースの補完を提供する。
関連論文リスト
- Scientific Knowledge Discovery in the Age of Large Language Models [0.16732809353184305]
ジェネレーティブな大規模言語モデル(LLM)は、従来の検索システムよりも柔軟な代替手段を提供する。
本章では、文献検索と候補研究のスクリーニングにジェネレーティブLLMを適用した34のピアレビュー論文を調査する。
論文 参考訳（メタデータ） (2026-07-29T09:25:55Z) - ACL-Verbatim: hallucination-free question answering for research [1.1852769462463206]
抽出質問応答システムVerbatimRAGをACLアンソロジーの研究論文に適用する。
研究論文において,ユーザクエリを関連テキストスパンにマッピングするタスクに対して,新たな基底真理データセットを提供する。
人間のアノテーションはNLP研究者によって実行され、カスタムパイプラインを使用して生成された合成ユーザクエリに基づいている。
論文 参考訳（メタデータ） (2026-05-20T12:30:29Z) - SAGE: Benchmarking and Improving Retrieval for Deep Research Agents [60.53966065867568]
SAGEは4つの科学領域にわたる1200のクエリからなる科学文献検索のためのベンチマークであり、20万の論文検索コーパスを備える。
6つのディープ・リサーチ・エージェントを評価し,全てのシステムが推論集約的な検索に苦しむことを発見した。
BM25は、既存のエージェントがキーワード指向のサブクエリを生成するため、LLMベースのレトリバーを約30%上回っている。
論文 参考訳（メタデータ） (2026-02-05T18:25:24Z) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z) - VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。
ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
論文 参考訳（メタデータ） (2024-05-13T20:15:03Z) - De-identification of clinical free text using natural language
processing: A systematic review of current approaches [48.343430343213896]
自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。
本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
論文 参考訳（メタデータ） (2023-11-28T13:20:41Z) - EasyNER: A Customizable Easy-to-Use Pipeline for Deep Learning- and Dictionary-based Named Entity Recognition from Medical and Life Science Text [30.410944272634946]
我々は、ディープラーニングと辞書に基づく名前付きエンティティ認識のための、使い易いエンドツーエンドパイプラインを開発した。
このパイプラインは、大規模な医学研究論文コレクション(コーパス、CORD-19)や生のテキストにアクセスして処理することができる。
新型コロナウイルスやその他の医療トピックに関連する辞書ベースのNERを実行することができる。
論文 参考訳（メタデータ） (2023-04-16T15:17:56Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - COVID-19 Literature Topic-Based Search via Hierarchical NMF [29.04869940568828]
新型コロナウイルス関連の科学文献のデータセットが収集される。
階層的非負のマトリックス因子化は、新型コロナウイルスに関する文献を木構造に整理するために用いられる。
論文 参考訳（メタデータ） (2020-09-07T05:45:03Z) - Interactive Extractive Search over Biomedical Corpora [41.72755714431404]
本稿では,生命科学研究者が言語的に注釈付けされたテキストのコーパスを検索できるようにするシステムを提案する。
本稿では,下層の言語表現の詳細を知る必要のない軽量なクエリ言語を提案する。
探索は,効率的な言語グラフインデクシングと検索エンジンにより,対話的な速度で行われる。
論文 参考訳（メタデータ） (2020-06-07T13:26:32Z)
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。