神经嵌入方法用于绘制健康概念,以设计独特的标识符

科学领域:

• 生物医学自然语言处理 (NLP)
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 在自由文本中准确识别健康概念对于生物医学信息学至关重要.
• 大型语言模型 (LLM) 在概念提取方面表现出色,但在映射到唯一标识符方面却存在困难.
• 将概念映射到唯一标识符 (例如,UMLS CUIs) 增强了数据集成和互操作性.

研究的目的:

• 研究一种神经嵌入方法,将健康概念映射到统一医疗语言系统 (UMLS) 概念独特标识符 (CUI).
• 通过使用注释的COVID-19迹象和症状数据来评估这种方法的性能.

主要方法:

• 创建了一个矢量存储库,为57,819个独特概念及其对应的CUI嵌入.
• 测试了神经嵌入和矢量存储的三个组合.
• 将神经嵌入方法与基线字符串匹配方法进行比较.

主要成果:

• 与基线字符串匹配方法相比,神经嵌入方法显示了超过200%的显著性能改善.
• 该方法在将健康概念映射到CUI时显示出有希望的结果.
• 为了与大型语言模型无集成,需要进一步改进.

结论:

• 神经嵌入提供了一种优越的方法,用于将健康概念映射到生物医学NLP中的独特标识符.
• 这种方法有可能改善健康信息学中的数据互操作性.
• 持续的研究是必要的,以优化高级LLM应用的性能.