Análisis automático de señales de negación y ámbitos para textos médicos en francés utilizando modelos lingüísticos

Área de la Ciencia:

• Procesamiento del lenguaje natural
• La informática médica
• Lingüística computacional

Sus antecedentes:

• El análisis preciso de los informes médicos requiere la identificación de las negaciones y su alcance.
• Las herramientas existentes a menudo requieren una adaptación significativa para idiomas no ingleses como el francés.
• El aprendizaje supervisado con modelos lingüísticos ofrece un enfoque prometedor para esta tarea.

Objetivo del estudio:

• Desarrollar y evaluar un método de aprendizaje supervisado para la identificación automática de señales de negación y alcance en informes médicos franceses.
• Adaptar y validar un modelo de lenguaje basado en BERT para esta tarea, teniendo en cuenta diversas notas clínicas y reglas de anotación.

Principales métodos:

• Modelos de lenguaje basados en transformadores de ajuste fino (BERT) en un corpus privado de informes de tomografía computarizada torácica francesa para la detección de negación.
• Extensión de la aplicabilidad del modelo a una gama más amplia de notas clínicas y anotaciones heterogéneas.
• Prueba de olvido catastrófico evaluando el modelo en su tarea original de llenado de máscaras.

Principales resultados:

• Se obtuvieron puntuaciones F1 del 99,4% para la detección de señales y del 94,5% para la detección de alcance en los informes de TC torácica.
• Demostró un buen rendimiento en informes biomédicos más genéricos con puntuaciones F1 del 98,2% (punto de referencia) y del 90,9% (alcance).
• El ajuste fino para la identificación de la negación preservó o mejoró el rendimiento del modelo en su tarea inicial de máscara de llenado.

Conclusiones:

• El refinado modelo BERT detecta con eficacia señales de negación y ámbitos en los informes médicos franceses.
• El modelo muestra robustez en diversas reglas de anotación y tipos de datos biomédicos.
• El método desarrollado es adecuado para su aplicación práctica en entornos clínicos.