論文の概要: Training-Free BioNEL-RAG: Advancing Biomedical Entity Linking through Retrieval-Augmented Generation and Large Language Model

• arxiv url: http://arxiv.org/abs/2610.14789v1
• Date: Sat, 10 Oct 2026 10:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:40:43.487368
• Title: Training-Free BioNEL-RAG: Advancing Biomedical Entity Linking through Retrieval-Augmented Generation and Large Language Model
• Title（参考訳）: 学習自由なバイオNEL-RAG:検索型生成と大規模言語モデルによるバイオメディカルエンティティリンクの改善
• Abstract要約: BioNEL-RAGは、検索強化世代(RAG)と大規模言語モデル(LLM)を組み合わせたトレーニングフリーフレームワークである。 このフレームワーク内では、RAGモジュールは候補エンティティの検索に重点を置いており、一方、大きな言語モデルモジュールは、エンティティの正規化に最も適した候補を選択する役割を担っている。 実験により,BioNEL-RAGは,サブドメインデータセットのトレーニングを必要とせず,既存の手法に匹敵する性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 7.607920015722047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical Named Entity Linking (BioNEL) is the task of mapping mentions extracted from biomedical texts to canonical entities or concepts in the standardized knowledge base. Although existing methods have achieved remarkable performance in mapping accuracy, most rely on training with domain-specific datasets, which fundamentally limits their cross-domain adaptability. To address this limitation, we propose BioNEL-RAG, a novel training-free framework that combines retrieval-augmented generation (RAG) with large language models (LLMs). Within this framework, the RAG module focuses on retrieving candidate entities, while the large language model module plays the role of selecting the most appropriate candidate for entity normalization, which is based on the analysis of the mention's context, with the aid of its remarkable text comprehension capabilities. Experimental results demonstrate that BioNEL-RAG achieves performance comparable to existing methods without requiring training on subdomain datasets, whereas these methods necessitate fine-tuning on specific subdomains such as genes, diseases, or chemical compounds.
• Abstract（参考訳）: バイオメディカル・ネームド・エンティティ・リンク(英: Biomedical Named Entity Linking、BioNEL)は、バイオメディカルテキストから抽出された言及を標準化された知識ベースにおける標準エンティティや概念にマッピングするタスクである。 既存の手法はマッピング精度において顕著なパフォーマンスを達成したが、ほとんどはドメイン固有のデータセットによるトレーニングに依存しており、ドメイン間の適応性を根本的に制限している。 この制限に対処するために,検索強化生成(RAG)と大規模言語モデル(LLM)を組み合わせた新しいトレーニングフリーフレームワークであるBioNEL-RAGを提案する。 このフレームワーク内では、RAGモジュールは候補エンティティの検索に重点を置いており、大きな言語モデルモジュールは、その顕著なテキスト理解能力の助けを借りて、参照のコンテキストの分析に基づいて、エンティティ正規化の最も適切な候補を選択する役割を担っている。 実験により,BioNEL-RAGはサブドメインデータセットのトレーニングを必要とせず,既存の手法に匹敵する性能を示した。

関連論文リスト

• A Guideline-Augmented Multi-Agent Framework for Schema-as-Code Biomedical Named Entity Recognition [20.369613885260247]
  GAMAは、スキーマ・アズ・コードBioNERのためのガイドライン付きマルチエージェントフレームワークである。 計画コンポーネントは有理数でランク付けされたスパン型仮説を生成し、コーディングコンポーネントはそれらをスキーマ制約されたエンティティオブジェクトに変換する。 複数のLLMバックボーンを持つ5つの広く使われているBioNERデータセットの実験は、GAMAが強いLLMベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-10-02T08:06:20Z)
• Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
  タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。 2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。 本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-17T05:03:24Z)
• GenOM: Ontology Matching with Description Generation and Large Language Model [19.917106654694894]
  本稿では,大規模言語モデル(LLM)に基づくオントロジーアライメントフレームワークであるGenOMを紹介する。 OAEI Bio-MLトラックで行った実験は、GenOMがしばしば競争力を発揮することを示した。
  論文  参考訳（メタデータ） (2025-08-14T14:48:09Z)
• Biomedical Relation Extraction via Adaptive Document-Relation Cross-Mapping and Concept Unique Identifier [35.79876359248485]
  Document-Level Biomedical Relation extract (Bio-RE) は、バイオメディカルエンティティ間の関係を広範囲にわたるテキスト内で識別することを目的としている。 従来の手法は文書の不完全性を見落とし、外部知識の統合を欠いていることが多い。 大規模言語モデル(LLM)の最近の進歩は、ドキュメントレベルのBio-REに関する上記の問題をすべて探求するきっかけとなりました。
  論文  参考訳（メタデータ） (2025-01-09T11:19:40Z)
• 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)
• Biomedical Entity Linking as Multiple Choice Question Answering [48.74212158495695]
  本稿では,バイオメディカルエンティティリンクを複数問合せ回答として扱う新モデルであるBioELQAを提案する。 まず、高速検索器を用いて候補エンティティを取得し、生成器に参照と候補エンティティを共同で提示し、選択したエンティティに関連付けられた予測シンボルを出力する。 長い尾を持つエンティティの一般化を改善するため、類似したラベル付きトレーニングインスタンスを手がかりとして検索し、ジェネレータの検索インスタンスで入力する。
  論文  参考訳（メタデータ） (2024-02-23T08:40:38Z)
• An Iterative Optimizing Framework for Radiology Report Summarization with ChatGPT [80.33783969507458]
  放射線医学報告の「印象」セクションは、放射線医と他の医師とのコミュニケーションにとって重要な基盤である。 近年の研究では、大規模医療用テキストデータを用いた印象自動生成の有望な成果が得られている。 これらのモデルは、しばしば大量の医療用テキストデータを必要とし、一般化性能が劣る。
  論文  参考訳（メタデータ） (2023-04-17T17:13:42Z)
• 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-Specific Language Model Pretraining for Biomedical Natural Language Processing [73.37262264915739]
  バイオメディシンなどのラベルなしテキストの少ないドメインでは、スクラッチから言語モデルを事前学習することで、かなりの利益が得られることを示す。 実験の結果, ドメイン固有のプレトレーニングは, 幅広い生物医学的NLPタスクの基盤となることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-31T00:04:15Z)

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。