Integración de la curación en la publicación científica para entrenar modelos de IA

Área de la Ciencia:

• Informática Biomédica
• Biología Computacional
• Publicación Científica

Sus antecedentes:

• La extracción de datos de alto rendimiento y el etiquetado estructurado de artículos académicos son vitales para el aprendizaje automático y los análisis secundarios.
• Los métodos existentes carecen de integración con el flujo de trabajo de publicación y de anotación integral de roles y metodologías experimentales.
• Existe la necesidad de reconocimiento y anotación avanzados de bioentidades dentro de la literatura científica.

Objetivo del estudio:

• Integrar la curación de datos multimodales en el proceso de publicación académica.
• Crear un conjunto de datos completo para entrenar modelos de IA en investigación biomédica.
• Mejorar la precisión de la anotación de paneles y leyendas de figuras.

Principales métodos:

• Integración de la curación de datos multimodales en el flujo de trabajo de publicación académica.
• Utilización de procesamiento del lenguaje natural y retroalimentación de autores para la anotación.
• Anotación de paneles y leyendas de figuras segmentadas de artículos de biología molecular y celular.
• Desarrollo de nuevas tareas de IA para evaluar la utilidad del conjunto de datos, incluido el reconocimiento de entidades nombradas y el análisis semántico dependiente del contexto.

Principales resultados:

• Se creó el conjunto de datos SourceData-NLP con más de 620 000 entidades biomédicas anotadas de 18 689 figuras en 3 223 artículos.
• Las anotaciones incluyen ocho clases de bioentidades y roles/metodologías experimentales.
• Se demostró la utilidad del conjunto de datos para el entrenamiento de modelos de IA en el reconocimiento de entidades nombradas, la segmentación de leyendas de figuras y tareas semánticas novedosas.
• Se mostraron aplicaciones multimodales para segmentar figuras en paneles y leyendas.

Conclusiones:

• El conjunto de datos SourceData-NLP mejora significativamente las aplicaciones de aprendizaje automático en investigación biomédica.
• La integración de la curación de datos en la publicación agiliza la creación de conjuntos de datos valiosos y estructurados.
• Los modelos y el conjunto de datos desarrollados facilitan el análisis avanzado de figuras y textos científicos.