返回
SNOMED CT entity linking challenge
DOI:10.1093/jamia/ocaf104.png)
摘要
En 中文
目标:本文介绍了来自一项竞赛的结果,该竞赛挑战参与者使用MIMIC-IV-Note数据的一个子集和SNOMED CT术语开发实体链接模型。
材料与方法:作为本工作的基础,我们整理了一组包含74 808个注释的数据集,这些注释来自272份出院记录,涵盖了6624个独特的临床概念。提交的解决方案使用字符级别的平均交并比(mean Intersection-over-Union)指标进行评估,其中表现最佳的3个解决方案获得了现金奖励。
结果:获胜的解决方案采用了不同的方法:基于词典的方法、基于编码器的方法和基于解码器的方法。
讨论:我们的分析表明,训练数据中的概念频率对模型性能有显著影响,稀有概念尤其具有挑战性。高概念熵和注释模糊性也与性能下降相关。
结论:本研究的发现表明,未来的项目应着重于改进稀有概念的实体链接,并开发方法以在训练示例稀缺时更好地利用上下文信息。
Keyword:
SNOMED CT
entity linking
terminology
artificial intelligence
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
417
被引数:
1.6W
机构
引用论文
NCBI disease corpus: A resource for disease name recognition and concept normalizationNCBI疾病语料库: 疾病名称识别和概念规范化的资源
Multi-domain clinical natural language processing with MedCAT: The Medical Concept Annotation Toolkit使用MedCAT进行多领域临床自然语言处理: 医学概念注释工具包
没有更多内容

