論文の概要: Overview of CHIP 2026 Shared Task 1: Patient-Specific Phenotype Concept Recognition in Full-Text Biomedical Literature

• arxiv url: http://arxiv.org/abs/2610.29606v1
• Date: Wed, 21 Oct 2026 11:45:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.350544
• Title: Overview of CHIP 2026 Shared Task 1: Patient-Specific Phenotype Concept Recognition in Full-Text Biomedical Literature
• Title（参考訳）: CHIP 2026共有タスクの概要 1: フルテキストバイオメディカル文献における患者特有の現象型概念認識
• Abstract要約: 本稿では,CHIP 2026 Shared Task 1の概要を述べる。 対象は,506例,15,193例,および5,656例であった。 ベストパフォーマンスシステムは最終テストセットで0.7389点を達成し、ベースラインを8.37ポイント上回った。
• 参考スコア（独自算出の注目度）: 14.196165762821025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic phenotype information extraction plays an important role in rare disease diagnosis, genotype-phenotype analysis, and precision medicine. However, accurately identifying phenotype concepts and determining their associations with specific patients remain challenging, particularly in full-text biomedical articles involving multiple patients and complex clinical descriptions. This paper presents an overview of CHIP 2026 Shared Task 1, which aims to promote the development of methods for patient-specific phenotype concept recognition from full-text biomedical literature. The task consists of two subtasks: full-text phenotype concept recognition and patient-specific phenotype association. For this evaluation, we used 200 annotated full-text biomedical articles from the PatientPheX dataset, containing 506 patients, 15,193 phenotype mentions, and 5,656 patient-phenotype associations. A total of 455 teams registered for the competition, with 189 and 103 valid submissions received on the Phase A and Phase B leaderboards, respectively. The best-performing system achieved an overall score of 0.7389 on the final test set, outperforming the baseline by 8.37 percentage points. The top-performing teams explored diverse approaches combining biomedical language models, large language models (LLMs), and ensemble strategies. The evaluation results highlight both the potential of these approaches and the remaining challenges in patient attribution and phenotype normalization from full-text biomedical literature. The post-evaluation phase remains open at https://tianchi.aliyun.com/competition/entrance/532512.
• Abstract（参考訳）: 自動表現型情報抽出は、まれな疾患診断、遺伝子型・フェノタイプ分析、精密医療において重要な役割を担っている。 しかし, 表現型概念を正確に同定し, 特定の患者との関連性を決定することは依然として困難であり, 特に複数の患者と複雑な臨床記述を含むフルテキストのバイオメディカル記事において顕著である。 本稿では,全文生医学文献から患者固有の表現型概念認識手法の開発を促進すべく,CHIP 2026共有タスク1の概要を述べる。 このタスクは、フルテキスト表現型概念認識と患者固有の表現型関連という2つのサブタスクから構成される。 本評価では,506例,15,193例,および5,656例からなるPheXデータセットから,200件の注釈付き全文バイオメディカル記事を用いた。 合計455チームが参加し、189チームと103チームがそれぞれフェーズAとフェーズBのリーダーボードで応募した。 ベストパフォーマンスシステムは最終テストセットで0.7389点を達成し、ベースラインを8.37ポイント上回った。 トップパフォーマンスチームは、バイオメディカル言語モデル、大規模言語モデル(LLM)、アンサンブル戦略を組み合わせた多様なアプローチを調査した。 評価結果は,これらのアプローチの可能性と,フルテキスト生医学文献からの患者帰属と表現型正規化の両面での課題を浮き彫りにした。 評価後のフェーズはhttps://tianchi.aliyun.com/competition/entrance/532512.comで公開されている。

関連論文リスト

• MedReaMM: Evaluating Large Multimodal Models on Expert-Level Clinical Diagnostic Synthesis [61.266743965495884]
  異種臨床証拠を合成するモデルの能力を評価するためのベンチマークであるMedReaMMを紹介する。 MedReaMMは625の専門患者と、平均2.79の医療画像と、ICD-11コードで注釈付けされた1,042の標準診断を含む。 23大マルチモーダルモデル (LMM) を評価し, 診断精度が50%未満であることが確認された。
  論文  参考訳（メタデータ） (2026-08-23T09:37:53Z)
• An artificial intelligence framework for end-to-end rare disease phenotyping from clinical notes using large language models [19.80670818473776]
  RARE-PHENIXは、まれな疾患表現のためのエンドツーエンドのAIフレームワークである。 大規模な言語モデルに基づく表現型抽出、ヒトフェノタイプオントロジーの標準化、診断に有用な表現型ランキングの監督などを統合する。 最先端のディープラーニングベースライン(PhenoBERT)をオントロジーに基づく類似性と、エンドツーエンド評価における精度-リコール-F1メトリクスで一貫して上回った。
  論文  参考訳（メタデータ） (2026-02-23T20:20:23Z)
• PhenoLIP: Integrating Phenotype Ontology Knowledge into Medical Vision-Language Pretraining [71.60950593762719]
  PhenoLIPは、構造化表現型知識を医療画像理解に組み込む新しい事前学習フレームワークである。 PhenoLIPは、医学画像理解における最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2026-02-05T20:44:07Z)
• An evaluation of GPT models for phenotype concept recognition [0.4715973318447338]
  臨床表現型および表現型アノテーションのためのGPT(Generative Pre-trained Transformer)モデルの性能について検討した。 その結果、適切な設定で、これらのモデルが芸術的パフォーマンスの状態を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-09-29T12:06:55Z)
• 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)
• Detecting automatically the layout of clinical documents to enhance the performances of downstream natural language processing [53.797797404164946]
  我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。 このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。 それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
  論文  参考訳（メタデータ） (2023-05-23T08:38:33Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• POPDx: An Automated Framework for Patient Phenotyping across 392,246 Individuals in the UK Biobank Study [8.888983935373574]
  本稿では,すべての英国バイオバンク参加者に対して,表現型符号を暗示する表現型認識法について述べる。 英国バイオバンクから392,246人の表現型および健康関連情報を抽出した。 POPDxは1,538個の表現型符号の確率を同時に推定するバイリニア機械学習フレームワークである。
  論文  参考訳（メタデータ） (2022-08-23T22:43:39Z)

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。