論文の概要: Meddies-PII: A Multilingual Framework for Personally Identifiable Information Extraction in Clinical De-identification
- arxiv url: http://arxiv.org/abs/2609.12544v1
- Date: Fri, 11 Sep 2026 07:53:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.661023
- Title: Meddies-PII: A Multilingual Framework for Personally Identifiable Information Extraction in Clinical De-identification
- Title（参考訳）: Meddies-PII: 臨床診断における個人識別情報抽出のための多言語フレームワーク
- Abstract要約: 我々は17の言語と9のPIIラベルにまたがる100万の合成臨床文書のコーパスであるMeddies-PII-Datasetを紹介した。
文書は属性条件付きプロンプトを使用して生成され、13の決定論的ゲートを通じて検証される。
Meddies-PII-Modelは、報告された全てのベンチマークで評価されたシステムの中で最高の性能を達成する。
- 参考スコア（独自算出の注目度）: 0.649970685896541
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical de-identification relies on accurately identifying personally identifiable information (PII). However, manually annotated datasets are costly to construct, while existing synthetic alternatives often provide limited details about their generation process or rely on relatively simple synthesis strategies. We introduce Meddies-PII-Dataset, a corpus of one million synthetic clinical documents spanning seventeen languages and nine PII labels. The documents are generated using attribute-conditioned prompts and validated through thirteen deterministic gates that enforce structural and annotation consistency. To evaluate the dataset's utility, we train Meddies-PII-Model, a BIOES token classifier, and compare it with existing PII extraction systems using exact-match entity-level F1. Meddies-PII-Model achieves the highest performance among the evaluated systems on all reported benchmarks, with a mean F1 of 0.827 across fifteen external benchmarks, compared with 0.658 for the strongest baseline. Upon acceptance, we will publicly release the dataset, benchmark suite, model, generation framework, and evaluation code to support research on multilingual clinical de-identification.
- Abstract（参考訳）: 臨床の特定は、個人識別可能な情報(PII)を正確に識別することに依存する。
しかし、手動でアノテートしたデータセットの構築にはコストがかかるが、既存の合成代替手段は、生成プロセスに関する限られた詳細を提供するか、比較的単純な合成戦略に依存することが多い。
我々は17の言語と9のPIIラベルにまたがる100万の合成臨床文書のコーパスであるMeddies-PII-Datasetを紹介した。
ドキュメントは属性条件付きプロンプトを使用して生成され、構造とアノテーションの一貫性を強制する13の決定論的ゲートを通じて検証される。
データセットの有用性を評価するため,BIOESトークン分類器であるMeddies-PII-Modelをトレーニングし,精度の高いエンティティレベルF1を用いて既存のPII抽出システムと比較する。
Meddies-PII-Model は15の外部ベンチマークで平均 F1 0.827 であり、最強ベースラインでは 0.658 である。
受け入れ次第、多言語臨床診断研究を支援するために、データセット、ベンチマークスイート、モデル、生成フレームワーク、評価コードを公開する。
関連論文リスト
- Self-Prompting Small Language Models for Privacy-Sensitive Clinical Information Extraction [5.6073733544594395]
我々は,小言語モデルを自己生成し,検証し,洗練し,エンティティ固有のプロンプトを評価するためのフレームワークを開発した。
我々は,QLoRAに基づく教師付き微調整と直接選好最適化を用いて,マルチプロンプトアンサンブル推論と選択モデルを用いた候補オープンウェイトモデルの評価を行った。
これらの結果から,自動プロンプト最適化と軽量な嗜好ベースのポストトレーニングが,スケーラブルな臨床情報抽出を支援することが示唆された。
論文 参考訳（メタデータ） (2026-05-05T19:03:40Z) - Eligibility-Aware Evidence Synthesis: An Agentic Framework for Clinical Trial Meta-Analysis [49.83108591873481]
EligMetaはエージェントフレームワークで、自動トライアル発見と、資格を意識したメタ分析を統合する。
フレームワークは、目標トライアル間の人口アライメントを反映した類似性に基づく研究重量を計算し、適性基準を構造化する。
論文 参考訳（メタデータ） (2026-04-03T03:18:50Z) - CNSight: Evaluation of Clinical Note Segmentation Tools [3.673249612734457]
また,MIMIC-IVから得られた1000音符のキュレートデータセットを用いて,ルールベースベースベースライン,ドメイン固有トランスフォーマーモデル,および臨床ノートセグメンテーションのための大規模言語モデルの評価を行った。
GPT-5-miniは文レベルと自由テキストセグメンテーションで平均72.4のF1に達する。
論文 参考訳（メタデータ） (2025-12-28T05:40:15Z) - CLI-RAG: A Retrieval-Augmented Framework for Clinically Structured and Context Aware Text Generation with LLMs [0.1578515540930834]
CLI-RAG (Clinically Informed Retrieval-Augmented Generation) は、構造的および臨床的な基盤となるテキスト生成のためのドメイン固有のフレームワークである。
臨床文書構造を尊重する新しい階層的チャンキング戦略を取り入れ、タスク固有の2段階検索機構を導入する。
本システムを用いて,MIMIC-IIIデータセットから15種類の臨床ノートを作成した。
論文 参考訳（メタデータ） (2025-07-09T10:13:38Z) - CLINICSUM: Utilizing Language Models for Generating Clinical Summaries from Patient-Doctor Conversations [2.77462589810782]
クリニックサムは、患者と医師の会話から臨床要約を自動的に生成するように設計されたフレームワークである。
自動測定(ROUGE、BERTScoreなど)と専門家による評価によって評価される。
論文 参考訳（メタデータ） (2024-12-05T15:34:02Z) - Named Clinical Entity Recognition Benchmark [2.9332007863461893]
本報告では, 名前付き臨床エンティティ認識ベンチマークを紹介する。
臨床物語から構造化された情報を抽出する重要な自然言語処理(NLP)タスクに対処する。
リーダーボードは多様な言語モデルを評価するための標準化されたプラットフォームを提供する。
論文 参考訳（メタデータ） (2024-10-07T14:00:18Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - 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) - GEMv2: Multilingual NLG Benchmarking in a Single Line of Code [161.1761414080574]
Generation, Evaluation, and Metrics Benchmarkは、データセット、モデル、メトリック開発者のためのモジュラーインフラストラクチャを提供する。
GEMv2は51言語で40のドキュメントデータセットをサポートする。
すべてのデータセットのモデルはオンラインで評価でき、インタラクティブなデータカード作成とレンダリングツールによって、生きたベンチマークに新しいデータセットを簡単に追加できます。
論文 参考訳（メタデータ） (2022-06-22T17:52:30Z) - Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of
Code-Mixed Clinical Texts [56.72488923420374]
事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。
脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
論文 参考訳（メタデータ） (2022-04-10T21:46:52Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z)
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。