A Lightweight Framework for Medical Named Entity Recognition and Relation Extraction.
پخش حرفه‌ای فارسی و انگلیسی
در حال بررسی نسخه‌های صوتی ذخیره‌شده…
تنظیم صدای طبیعی و سرعت
صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.
چکیده اصلی
INTRODUCTION: Clinical text in electronic health records contains valuable information for medical research. Named entity recognition (NER) and relation extraction (RE) are key tasks for structuring this information, but existing deep learning approaches are often computationally expensive. METHODS: We develop a lightweight, pipeline-based NER-RE system using neural networks with contextualized embeddings based on spaCy and Thinc. The impact of data preprocessing and hyperparameter tuning (HPT) on NER is evaluated. RE is performed using a separate classifier on candidate entity pairs. Experiments are conducted on i2b2 and n2c2 datasets. RESULTS: The approach achieves strong NER performance after optimization. Better data quality or applying HPT improve performance comparably, but combining both yields only marginal gains additionally. DISCUSSION: Lightweight models are effective for NER but limited for RE due to error propagation. Our NER results also suggest that HPT can compensate for data quality issues.
نتیجه فارسی
این مطالعه یک سیستم سبک برای شناسایی موجودیت‌های نام‌دار و استخراج روابط در متن‌های بالینی توسعه می‌دهد. رویکرد بر پایه شبکه‌های عصبی و توصیف‌های زمینه‌ای است و بر روی مجموعه داده‌های i2b2 و n2c2 آزمایش شده است. بهینه‌سازی پارامترها و کیفیت داده‌ها هر دو به طور قابل مقایسه عملکرد را بهبود می‌دهند، اما ترکیب آن‌ها سود حاشیه‌ای ایجاد می‌کند. مدل‌های سبک برای شناسایی موجودیت مؤثرند اما برای استخراج روابط محدود هستند.
- توسعه یک سیستم سبک NER-RE مبتنی بر شبکه‌های عصبی
- ارزیابی اثر پیش‌پردازش داده‌ها و تنظیم پارامترها
- نتایج قوی برای NER پس از بهینه‌سازی
- محدودیت مدل‌های سبک در استخراج روابط به دلیل انتشار خطا
- جبران مشکلات کیفیت داده‌ها با تنظیم پارامترها
ترجمه فارسی چکیده
متن‌های بالینی در سوابق الکترونیک سلامت اطلاعات ارزشمندی برای تحقیقات پزشکی دارند. شناسایی موجودیت‌های نام‌دار (NER) و استخراج روابط (RE) وظایف کلیدی برای ساختاردهی این اطلاعات هستند، اما رویکردهای یادگیری عمیق موجود اغلب پرهزینه محاسباتی هستند. ما یک سیستم سبک و مبتنی بر خط لوله NER-RE با استفاده از شبکه‌های عصبی و توصیف‌های زمینه‌ای مبتنی بر spaCy و Thinc توسعه دادیم. اثر پیش‌پردازش داده‌ها و تنظیم پارامترهای فراپارامتریک (HPT) بر NER ارزیابی شد. RE با استفاده از یک طبقه‌بندهای جداگانه روی جفت‌های موجودیت‌های کاندیدا انجام شد. آزمایش‌ها در مجموعه داده‌های i2b2 و n2c2 انجام شد. رویکرد پس از بهینه‌سازی عملکرد NER قویی را به دست آورد. بهبود کیفیت داده‌ها یا اعمال HPT عملکرد را به طور قابل مقایسه بهبود می‌دهند، اما ترکیب هر دو تنها سود حاشیه‌ای اضافی ایجاد می‌کند. مدل‌های سبک برای NER مؤثر هستند اما به دلیل انتشار خطا برای RE محدود هستند. نتایج NER ما همچنین نشان می‌دهد که HPT می‌تواند مشکلات کیفیت داده‌ها را جبران کند.
روش پژوهش
سیستم سبک و مبتنی بر خط لوله NER-RE با استفاده از شبکه‌های عصبی و توصیف‌های زمینه‌ای مبتنی بر spaCy و Thinc توسعه یافت. اثر پیش‌پردازش داده‌ها و تنظیم پارامترهای فراپارامتریک (HPT) بر NER ارزیابی شد. RE با استفاده از یک طبقه‌بندهای جداگانه روی جفت‌های موجودیت‌های کاندیدا انجام شد. آزمایش‌ها در مجموعه داده‌های i2b2 و n2c2 انجام شد.
محدودیت‌ها
مدل‌های سبک برای استخراج روابط محدود هستند به دلیل انتشار خطا. ترکیب بهبود کیفیت داده‌ها و تنظیم پارامترها تنها سود حاشیه‌ای ایجاد می‌کند.
نمای PICO و پیامدها
- جمعیت
- متن‌های بالینی در سوابق الکترونیک سلامت
- مداخله/مواجهه
- سیستم سبک NER-RE مبتنی بر شبکه‌های عصبی و توصیف‌های زمینه‌ای
- مقایسه
- رویکردهای یادگیری عمیق موجود
- حجم نمونه
- نامشخص
متن کامل اصلی
برای بررسی دسترسی کتابخانه‌ای یا خرید، رکورد اصلی را باز کنید.
رفتن به منبع اصلی