論文の概要: From archive to resource: bringing legacy data back to life at scale with large language models

• arxiv url: http://arxiv.org/abs/2610.32616v1
• Date: Fri, 23 Oct 2026 13:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.529053
• Title: From archive to resource: bringing legacy data back to life at scale with large language models
• Title（参考訳）: アーカイブからリソースへ:大規模な言語モデルでレガシーデータを大規模に復活させる
• Abstract要約: この研究は、ヘテロジニアスなレポートテキストからこのような記述子を復元するための実用的でスケーラブルなソリューションを実証する。 抽出時間はマニュアルベンチマークで25分から1.6分に短縮された。 このアプローチの主な強みは、スケーラビリティ、トレーサビリティ、そして現在の業界標準から欠落している情報を回復する能力である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pharmaceutical companies maintain vast archives of legacy preclinical study reports that contain study-context details, such as fasting, anesthesia, and laboratory instrumentation, that are rarely captured in structured data formats, yet they can correlate with clinical pathology parameters values and limit the reuse of historical data. This work demonstrates practical, scalable solutions to recover such descriptors from heterogeneous report texts using large language model (LLM)-based extraction pipelines developed independently by two industry teams. The pipelines identify and normalize metadata fields and return verbatim evidence with page and section reference, hasting human verification and iterative refinement. Evaluation of over 400 documents against expert-curated reference values showed high agreement across a broad set of metadata fields. Performance was strongest for consistently reported items and lower for descriptors subject to linguistic or report structure variability. Extraction time has shrunk from 25 minutes in the manual benchmark to 1.6 minutes. As a concrete biological demonstration, we show that fasting status extracted from report text was associated with species- and analyte-specific shifts in clinical chemistry parameters, illustrating how recovered metadata can improve selection of historical controls. Key strengths of the approach are scalability, traceability, and the ability to recover information missing from current industry standards. Main limitations are dependence on source-report quality and initial expert effort to define and refine schemas. These results establish how LLMs can convert heterogeneous, unstructured legacy reports into evidence-grounded, reusable and structured metadata, leading to better experimental comparability, and thus enabling reliable data pooling or informed virtual control selection.
• Abstract（参考訳）: 製薬会社は、組織化されたデータ形式ではまれだが、臨床病理学的パラメーターの値と相関し、歴史的データの再利用を制限することができる。 本研究は,大規模言語モデル(LLM)に基づく抽出パイプラインを2つの産業チームによって独立に開発した,異質なレポートテキストからそのような記述子を回収する,実用的でスケーラブルなソリューションを実証する。 パイプラインはメタデータフィールドを特定し、正常化し、ページ参照とセクション参照で動詞のエビデンスを返却する。 専門家による基準値に対する400以上の文書の評価は、幅広いメタデータフィールドに対して高い一致を示した。 一貫して報告された項目に対して,言語的あるいは報告的構造的多様性の対象となる記述子に対して,パフォーマンスが最強であった。 抽出時間はマニュアルベンチマークで25分から1.6分に短縮された。 具体的な生物学的実演として,報告テキストから抽出したファストリング状態が,臨床化学パラメータの種別および分析特異的な変化と関連し,回復したメタデータが歴史的コントロールの選択をいかに改善するかを考察した。 このアプローチの主な強みは、スケーラビリティ、トレーサビリティ、そして現在の業界標準から欠落している情報を回復する能力である。 主な制限は、ソースレポートの品質に依存し、スキーマを定義して洗練するための初期専門家の努力である。 これらの結果は、LCMが不均一で非構造的なレガシレポートをエビデンスで再利用可能な、構造化されたメタデータに変換する方法を確立し、より優れた実験的可視性をもたらし、信頼性の高いデータプーリングや情報的仮想制御の選択を可能にする。

関連論文リスト

• Beyond Manual Curation: Augmenting Targeted Protein Degradation Databases via Agentic Literature Extraction Workflows [4.363171757159274]
  バイオメディシンの予測モデルは、一次出版物のテキスト、表、サプリメントにロックされた構造化されたアッセイデータに依存する。 このボトルネックは、特にターゲットタンパク質分解(TPD)において、各アッセイレコードは、複合アイデンティティ、分解ターゲット、リクルーザー、アッセイコンテキスト、セクション、テーブル、補足ファイル間で報告されるエンドポイント値を組み合わせる必要がある。 ドメイン固有のキュレーションタスクとしてPDデータベース抽出を定式化し、ループ内LPMワークフローを提案する。 我々は、TPDデータキュレーションとAI支援科学キュレーションのためのリソースとして、ワークフロー、プロンプト、評価コード、抽出データセットをより広範囲にリリースする。
  論文  参考訳（メタデータ） (2026-05-11T20:33:04Z)
• Standardizing Longitudinal Radiology Report Evaluation via Large Language Model Annotation [10.771534459008699]
  放射線学報告における縦断的な情報は、時間とともに複数の検査にまたがる結果のシーケンシャルな追跡を指す。 基盤構造とモデル生成の両テキストの時間的変化を一貫してラベル付けする適切なツールは存在しない。 既存のアノテーションメソッドは、通常労働集約的であり、手動のレキシコンとルールの使用に依存している。
  論文  参考訳（メタデータ） (2026-01-23T13:57:09Z)
• DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
  本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。 一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。 その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-01-07T03:07:52Z)
• Beyond Memorization: Reasoning-Driven Synthesis as a Mitigation Strategy Against Benchmark Contamination [77.69093448529455]
  本稿では,arXiv論文から直接研究レベルのQAを合成するために,無限にスケーラブルなフレームワークを用いて実証的研究を行う。 各種サイズ,開発者,リリース日といったモデルについて,知識カットオフ日に近い性能劣化の欠如を評価した。 合成パイプラインで要求される多段階の推論は、浅い記憶よりも深い複雑さをもたらしたと仮定する。
  論文  参考訳（メタデータ） (2025-08-26T16:41:37Z)
• A Dataset for Distilling Knowledge Priors from Literature for Therapeutic Design [16.22074029228085]
  実験室で使用される化合物を記述した文献から抽出した設計問題のデータセットであるMedexを紹介した。 Medexは3230万対の自然言語事実と適切な実体表現で構成されている。
  論文  参考訳（メタデータ） (2025-08-14T17:59:37Z)
• Unstructured Evidence Attribution for Long Context Query Focused Summarization [53.08341620504465]
  固定粒度の場合よりも、より関連性が高く一貫した証拠を得るために、非構造的(すなわち任意の長さのスパン)な証拠を抽出することを提案する。 既存のシステムが、非構造的証拠をコピーし、適切に引用するのにどのように苦労しているかを示す。
  論文  参考訳（メタデータ） (2025-02-20T09:57:42Z)
• GENIE: Generative Note Information Extraction model for structuring EHR data [14.057531175321113]
  生成ノート情報抽出システムGENIEを紹介する。 GENIEは1つのパスで全段落を処理し、エンティティ、アサーションステータス、ロケーション、修飾子、値、目的を高精度に抽出する。 堅牢なデータ準備パイプラインと微調整された小型LLMを使用して、GENIEは複数の情報抽出タスク間での競合性能を実現する。
  論文  参考訳（メタデータ） (2025-01-30T15:42:24Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• Large Multimodal Model based Standardisation of Pathology Reports with Confidence and their Prognostic Significance [4.777807873917223]
  本稿では,病理報告のスキャン画像から情報を自動的に抽出するために,大規模マルチモーダルモデル(LMM)を用いた実践的アプローチを提案する。 提案手法は,情報抽出と検証にLMM(Large Multimodal Model)の2つの段階を利用する。 推定された信頼度は、抽出されたフィールドのみを正確に選択できる抽出情報の精度の効果的な指標であることを示す。
  論文  参考訳（メタデータ） (2024-05-03T12:19:38Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)

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。