对同义词扩展和自我调整预训的调查,以增强人类现象类型的概念识别和本体学概念识别
Weiqi Zhai1, Rongze Jiang2, Xiaodi Huang3
1Institute of Science and Technology for Brain-Inspired Intelligence and MOE Frontiers Center for Brain Science, Fudan University, Shanghai, China; Key Laboratory of Computational Neuroscience and Brain-Inspired Intelligence, Ministry of Education, Fudan University, Shanghai, China; Shanghai Key Lab of Intelligent Information Processing and Shanghai Institute of Artificial Intelligence Algorithm, Fudan University, Shanghai, China; Zhangjiang Fudan International Innovation Center, Fudan University, Shanghai, China.
这项研究通过使用实例级同义词和新的HPOBERT模型,提高了生物医学文本中人类现象型本体学 (HPO) 术语识别. 这些方法显著提高了疾病诊断和分析的准确性.
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.
- 计算生物学 计算生物学
背景情况:
- 准确识别人体现象本体学 (HPO) 术语对于疾病诊断和分析至关重要.
- 传统的命名实体识别 (NER) 方法与HPO同义词和变体进行斗争,限制了准确性和覆盖范围.
研究的目的:
- 引入和评估三个战略增强措施,以改善生物医学文本中的HPO概念识别.
- 为了解决目前NER方法对HPO术语识别的局限性.
主要方法:
- 在实例级别增加HPO同义词的训练数据.
- 介绍HPOBERT,一种使用自我调整预训的语义方法,用于HPO同义词.
- 整合实例级和语义策略,用于HPO概念识别.
主要成果:
- 在四个临床文本数据集中,分类准确度,回忆和F1分数的显著改善.
- 在NER后的命名实体规范化 (NEN) 中性能提升,NEN-F在黄金和白银标准数据集上的改进分别为2.44%和4.38%.
- 结合实例级和语义增强策略的证明有效性.
结论:
- 拟议的增强策略大大改善了HPO术语识别和规范化.
- 这些进展通过更好地理解生物医学文本,有助于更准确的疾病诊断和分析.
- 开发的方法提供了一个强大的解决方案,用于在临床环境中识别HPO概念.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
09:37Navigating MARRVEL, a Web-Based Tool that Integrates Human Genomics and Model Organism Genetics Information
Published on: August 15, 2019
相关概念视频
Natural and Artificial Concepts
Understanding Self-Concept
Concepts and Prototypes
The brain organizes this information using concepts, which are mental categories grouping linguistic data,...
Improving Translational Accuracy
Self-Evaluation: Self-Enhancement and Self-Verification
