合成数据驱动的方法中医抽象句子分类:计算研究

科学领域:

• 自然语言处理自然语言处理.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 医学抽象句子分类对于医学研究和数据库搜索至关重要.
• 缺乏合适的数据集阻碍了中国医学抽象分类研究.
• 精确对包括传统中医药在内的中国医学摘要进行分类,对于全球医学进步至关重要.

研究的目的:

• 为了解决标记的中国医学抽象数据集的稀缺问题.
• 为中国医学摘要开发准确的文本分类算法.
• 在没有手动注释的情况下创建新的培训数据集.

主要方法:

• 使用翻译的PubMed数据和使用伪标签或类别对齐的GPT-3.5生成了三组训练数据集 (每组15000个句子).
• 从2万个摘要中创建了一个由87000个句子组成的测试数据集.
• 采用了用于语义分析的SBERT嵌入和使用集群 (SBERT-DocSCAN) 和监督方法 (SBERT-MEC) 的评估模型.

主要成果:

• 在合成数据集上训练的模型表现优于基线指标.
• 在数据集#3.3上训练时,SBERT-DocSCAN在测试数据集上获得了高达91.30%的准确性和F1分数.
• 斯伯特-MEC也表现出强的表现,达到90.39%的准确性和90.35%的F1分数.

结论:

• 该研究成功地为中国医学抽象分类生成了新的数据集.
• 即使使用合成数据,SBERT-DocSCAN和SBERT-MEC模型也显著提高了分类精度.
• 这些发现解决了数据的局限性,并提高了中国医学抽象分类的准确性.