对弱监督的深度学习进行大规模调查,用于微细的生物医学文献语义索引
Anastasios Nentidis1, Thomas Chatzopoulos2, Anastasia Krithara3
1Institute of Informatics and Telecommunications, NCSR Demokritos, Athens, Greece; School of Informatics, Aristotle University of Thessaloniki, Thessaloniki, Greece.
Journal of biomedical informatics
|September 15, 2023
概括
这项研究引入了一种新的方法,将生物医学科目注释精制到超出广泛的MeSH描述符之外. 该方法增强了概念的出现,提高了医学文献语义索引的准确性.
科学领域:
- 生物医学信息学 生物医学信息学
- 自然语言处理自然语言处理.
- 医疗学科标题 (MeSH) 医疗学科标题
背景情况:
- 目前的语义索引依赖于MeSH描述符,通常分组不同的生物医学概念.
- 这种粗略的方法可能会限制文献检索和分析的精度.
研究的目的:
- 开发一种自动化方法,在MeSH概念层面上完善主题注释.
- 提高生物医学文献语义索引的特异性.
主要方法:
- 利用基于在文章摘要中出现概念的弱监督.
- 整合了基于字典的启发式学习方法和深度学习方法的研究.
- 在大规模的推广MeSH概念的回顾性数据集上评估了该方法.
主要成果:
- 仅仅概念发生就实现了大约0.63.3的宏观F1得分.
- 拟议的精炼方法显示了超过4个百分点的改进.
- 验证了概念出现的有效性作为一个强大的启发式.
结论:
- 概念出现是一种强大的启发式,用于改进粗的MeSH概念标签.
- 开发的自动化方法在语义索引精度上提供了显著的改进.
- 这些发现支持生物医学文献中更细致的学科注释.


