論文の概要: MiNER: Fine-Tuned Biomedical Natural Language Processing for Malaria Disease Entity Recognition in Clinical Texts

• arxiv url: http://arxiv.org/abs/2609.00073v2
• Date: Sat, 05 Sep 2026 10:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 22:37:20.326127
• Title: MiNER: Fine-Tuned Biomedical Natural Language Processing for Malaria Disease Entity Recognition in Clinical Texts
• Title（参考訳）: MiNER: 医療用バイオメディカル自然言語処理 : 臨床用テキストにおけるマラリア疾患の実体認識
• Abstract要約: マラリアは、その複雑な分子機構、疫学、潜在的な治療介入を理解するために、継続的な研究努力を必要としている。 近年、訓練済みの言語モデルが自然言語処理タスクに革命をもたらし、様々な領域で顕著な能力を発揮している。 本稿では,マラリアに関する学術文献からバイオメディカル情報抽出のための,微調整済みのバイオメディカル言語モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malaria remains a significant global health burden, necessitating continuous research efforts to understand its complex molecular mechanisms, epidemiology, and potential therapeutic interventions. Extracting essential biomedical information from the vast and constantly growing malaria literature is a challenging task that demands innovative approaches. Recently, pre-trained language models have revolutionized natural language processing tasks, demonstrating remarkable capabilities in various domains. This paper proposes a fine-tuned pre-trained biomedical language model for biomedical information extraction from scientific literature on malaria disease. The proposed methodology selects and preprocesses a large corpus of scientific articles on malaria, and then annotates them with entities of clinical significance. It then leverages BioBERT, a state-of-the-art pre-trained language model, to encode the textual data into context-aware representations. We fine-tune the model using domain-specific annotations and supervised learning to enhance its ability to extract relevant biomedical named entities. Extensive experiments and comparisons with different encoding and machine learning algorithms show that the proposed approach significantly outperforms them in precision, recall, and accuracy. We also publish our human-labeled dataset for entity and relation extraction to enable other health informatics researchers to train advanced models for malaria information extraction.
• Abstract（参考訳）: マラリアは、その複雑な分子機構、疫学、潜在的な治療介入を理解するために、継続的な研究努力を必要としている。 広大かつ絶え間なく成長するマラリア文学から重要な生物医学情報を抽出することは、革新的なアプローチを要求する難しい課題である。 近年、訓練済みの言語モデルが自然言語処理タスクに革命をもたらし、様々な領域で顕著な能力を発揮している。 本稿では,マラリアに関する学術文献からバイオメディカル情報抽出のための,微調整済みのバイオメディカル言語モデルを提案する。 提案手法は、マラリアに関する学術論文を多数選択し、前処理し、臨床上の意義のあるエンティティで注釈付けする。 次に、最先端のトレーニング済み言語モデルであるBioBERTを活用して、テキストデータをコンテキスト認識表現にエンコードする。 ドメイン固有のアノテーションと教師付き学習を用いてモデルを微調整し、関連するバイオメディカルな名前のエンティティを抽出する能力を高める。 様々な符号化アルゴリズムと機械学習アルゴリズムとの比較実験により、提案手法は精度、リコール、精度で大幅に向上することが示された。 我々は、他の健康情報学研究者がマラリア情報抽出のための高度なモデルを訓練できるように、エンティティと関係抽出のための人間ラベル付きデータセットも公開しています。

関連論文リスト

• Towards World Models in Biomedical Research [77.59710966764466]
  我々は,AIによる発見のパラダイムとして,バイオメディカルワールドモデルを提案する。 これらのモデルは、介入条件付き力学とともに、分子、細胞、組織、臨床状態の潜伏表現を学習する。 バイオメディカルワールドモデルは, 仮想細胞, オルガノイド, 仮想患者, 手術シミュレーションなど, データエンジン, 環境シミュレータ, 科学計画基板としてどのように機能するかを論じる。
  論文  参考訳（メタデータ） (2026-06-04T09:28:54Z)
• Combating Biomedical Misinformation through Multi-modal Claim Detection and Evidence-based Verification [11.555285143713315]
  CER(Combining Evidence and Reasoning)は、バイオメディカルな事実チェックのための新しいフレームワークである。 科学的エビデンス検索、大規模言語モデルによる推論、および教師付き正確性予測を統合している。 幻覚のリスクを効果的に軽減し、生成したアウトプットが検証可能なエビデンスベースの情報源で根拠付けられていることを保証する。
  論文  参考訳（メタデータ） (2025-09-17T10:31:09Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• 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)
• Leveraging Biomolecule and Natural Language through Multi-Modal Learning: A Survey [75.47055414002571]
  生物分子モデリングと自然言語(BL)の統合は、人工知能、化学、生物学の交差点において有望な学際領域として現れてきた。 生体分子と自然言語の相互モデリングによって達成された最近の進歩について分析する。
  論文  参考訳（メタデータ） (2024-03-03T14:59:47Z)
• An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
  本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。 これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。 以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-21T11:27:31Z)
• 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)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• Improving Biomedical Abstractive Summarisation with Knowledge Aggregation from Citation Papers [24.481854035628434]
  既存の言語モデルは、バイオメディカルの専門家が生み出したものと同等の技術的要約を生成するのに苦労している。 本稿では,引用論文からドメイン固有の知識を統合する,新たな注目に基づく引用集約モデルを提案する。 我々のモデルは最先端のアプローチより優れており、抽象的なバイオメディカルテキスト要約の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-10-24T09:56:46Z)
• Exploring the In-context Learning Ability of Large Language Model for Biomedical Concept Linking [4.8882241537236455]
  本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。 提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。 BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
  論文  参考訳（メタデータ） (2023-07-03T16:19:50Z)
• BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
  汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。 本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
  論文  参考訳（メタデータ） (2023-05-26T17:14:43Z)

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。