論文の概要: PiPMRE: A Pipeline Based on Language Model for Medical Relation Extraction

• arxiv url: http://arxiv.org/abs/2609.02896v1
• Date: Fri, 03 Jul 2026 02:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.45054
• Title: PiPMRE: A Pipeline Based on Language Model for Medical Relation Extraction
• Title（参考訳）: PiPMRE:医療関係抽出のための言語モデルに基づくパイプライン
• Abstract要約: 医用関係抽出(MRE)は、医用テキストからエンティティとそれらの関係を共同で抽出することで一般的に知られている。 従来の研究では、MREをシーケンスタギングタスクとして扱い、タグ付けスキーマの難しい設計や複数の関係の抽出に失敗する結果となった。 我々は,MRE性能を向上させるために,言語モデルに基づく新しいパイプラインフレームワークであるPiPMREを開発した。
• 参考スコア（独自算出の注目度）: 13.089899833026216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical relation extraction (MRE) is commonly known for extracting entities and their relations jointly from a medical text, which has attracted considerable attention in recent years. Previous studies treat MRE as a sequence tagging task, which results in either a challenging design of the tagging schema or a failed extraction of multiple relations, due to intricate relationships among medical entities. In this work, we review the task from the linguistic perspective and propose a novel pipeline framework, PiPMRE, developed on language models to enhance MRE performance. Specifically, PiPMRE consists of a relation generator and a relation filter. Given a text, the generator first yields multiple relational triplets, and then the filter scores each triplet and retains only those that pass the borderline as the final results. Implementing PiPMRE requires no tagging schema; instead, we use a simple template to reformulate the input text, ensuring that entities and relations are generated in a contextual order. Extensive experimental results on two public datasets demonstrate the advancement of PiPMRE. It surpasses the previous state-of-the-art by an average of 5.6 recall points and 4.4 accuracy points. PiPMRE's superiority is also demonstrated in few-shot settings.
• Abstract（参考訳）: 医用関係抽出(MRE)は,近年注目されている医療用テキストからエンティティとそれらの関係を共同で抽出することが一般的である。 従来の研究では、MREをシーケンスタギングタスクとして扱うことで、タグ付けスキーマの困難な設計や、医療機関間の複雑な関係のため、複数の関係の抽出に失敗する可能性がある。 本稿では,言語の観点からタスクをレビューし,MRE性能を向上させるために言語モデル上で開発された新しいパイプラインフレームワークであるPiPMREを提案する。 具体的には、PiPMREは関係生成器と関係フィルタから構成される。 テキストが与えられた後、ジェネレータはまず複数のリレーショナル三重項を生成し、次にフィルタは各三重項をスコアし、境界線を通過するもののみを最終結果として保持する。 代わりに、簡単なテンプレートを使って入力テキストを再構成し、エンティティとリレーションがコンテキスト順に生成されることを保証します。 2つの公開データセットの大規模な実験結果は、PiPMREの進歩を示している。 平均5.6のリコールポイントと4.4の精度ポイントで、過去の最先端技術を上回っている。 PiPMREの優位性も、数ショット設定で示される。

関連論文リスト

• CPTuning: Contrastive Prompt Tuning for Generative Relation Extraction [2.883903547507341]
  生成的関係抽出(RE)は通常、事前学習言語モデル(PLM)に容易に取り組める言語モデリング問題としてREを最初に再構成する。 本稿では、2つのコンテキスト内エンティティ間の候補関係を関連付けることを学習するRE, CPTuningのための新しいコントラスト的プロンプトチューニング手法を提案する。 CTPuningはまた、REを言語化された関係生成タスクとして整理し、モデルが有効な関係を生成することを保証するためにTrie-Constrained decodingを使用する。
  論文  参考訳（メタデータ） (2025-01-04T05:17:34Z)
• AutoRE: Document-Level Relation Extraction with Large Language Models [27.426703757501507]
  我々は、RHF(Relation-Head-Facts)という新しいRE抽出パラダイムを採用した、エンド・ツー・エンドのDocREモデルであるAutoREを紹介する。 既存のアプローチとは異なり、AutoREは既知の関係オプションの仮定に依存しておらず、現実のシナリオをより反映している。 RE-DocREDデータセットの実験では、AutoREの最高のパフォーマンスを示し、最先端の結果が得られました。
  論文  参考訳（メタデータ） (2024-03-21T23:48:21Z)
• Benchingmaking Large Langage Models in Biomedical Triple Extraction [13.022101126299269]
  本研究は主に文レベルのバイオメディカルトリプル抽出に焦点を当てている。 高品質なバイオメディカルトリプル抽出データセットが存在しないことは、堅牢なトリプル抽出システムの開発の進歩を妨げている。 GITは、専門家によるバイオメディカルトリプル抽出データセットである。
  論文  参考訳（メタデータ） (2023-10-27T20:15:23Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• Supporting Medical Relation Extraction via Causality-Pruned Semantic Dependency Forest [8.73855139557187]
  本稿では,因果的説明理論に基づく医用テキストからの意味的・統語的情報をモデル化する手法を提案する。 我々はセマンティック埋め込み1-best依存木からなる依存林を生成する。 タスク固有の因果説明器を用いて依存林をプルークし、それを設計したグラフ畳み込みネットワークに入力し、対応する表現を学習する。
  論文  参考訳（メタデータ） (2022-08-29T10:17:47Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)
• RelationPrompt: Leveraging Prompts to Generate Synthetic Data for Zero-Shot Relation Triplet Extraction [65.4337085607711]
  ゼロショット関係トリプルト抽出(ZeroRTE)のタスク設定について紹介する。 入力文が与えられた後、抽出された各三重項は、トレーニング段階で関係ラベルが見えないヘッドエンティティ、リレーションラベル、テールエンティティから構成される。 本稿では、言語モデルに構造化テキストを生成するよう促すことで、関係例を合成する。
  論文  参考訳（メタデータ） (2022-03-17T05:55:14Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)

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。