科学出版へのキュレーション統合によるAIモデルのトレーニング

科学分野:

• 生物医学情報学
• 計算生物学
• 科学出版

背景:

• 学術記事からの高スループットデータ抽出と構造化ラベリングは、機械学習と二次分析にとって不可欠です。
• 既存の方法は、出版ワークフローとの統合および実験的役割と方法論の包括的な注釈が不足しています。
• 科学文献内での高度なバイオエンティティ認識と注釈の必要性があります。

研究 の 目的:

• 学術出版プロセスへのマルチモーダルデータキュレーションの埋め込み。
• 生物医学研究におけるAIモデルのトレーニングのための包括的なデータセットの作成。
• 図のパネルとキャプションの注釈精度を向上させること。

主な方法:

• 学術出版ワークフローへのマルチモーダルデータキュレーションの統合。
• 注釈のための自然言語処理と著者フィードバックの利用。
• 分子および細胞生物学の記事からのセグメント化された図のパネルとキャプションの注釈。
• 固有表現認識および文脈依存の意味分析を含む、データセットの有用性を評価するための新しいAIタスクの開発。

主要な成果:

• 3,223の記事の18,689の図から620,000を超える注釈付き生物医学エンティティを持つSourceData-NLPデータセットを作成しました。
• 注釈には、8つのバイオエンティティクラス、実験的役割/方法論が含まれます。
• 固有表現認識、図キャプションセグメンテーション、および新しい意味タスクにおけるAIモデルトレーニングのためのデータセットの有用性を実証しました。
• 図のパネルとキャプションをセグメント化するためのマルチモーダルアプリケーションを紹介しました。

結論:

• SourceData-NLPデータセットは、生物医学研究における機械学習アプリケーションを大幅に強化します。
• 出版へのデータキュレーションの統合は、価値のある構造化データセットの作成を合理化します。
• 開発されたモデルとデータセットは、科学図とテキストの高度な分析を促進します。