通过专业化 NLP 模型实现医学命名实体识别的准确性
计算与语言
2024-12-12 v1
摘要
本研究评估了 BioBERT 在医学文本处理中进行医学命名实体识别任务的效果。通过与 BERT、ClinicalBERT、SciBERT 和 BlueBERT 等模型的比较实验，结果表明 BioBERT 在精确率和 F1 分数方面均取得最佳性能，验证了其在医学领域的适用性与优越性。BioBERT 通过在生物医学数据上进行预训练，增强了其理解专业术语和复杂医学文本的能力，为医学信息提取和临床决策支持提供了强大的工具。本研究还探讨了 BioBERT 在处理医学数据时的隐私和合规挑战，并提出了未来结合其他医学专用模型以提高泛化性和鲁棒性的研究方向。随着深度学习技术的发展，BioBERT 在智能医疗、个性化治疗和疾病预测等应用领域的潜力将进一步得到充分发挥。未来的研究可以聚焦于模型的实时性和可解释性，以推动其在医学领域的广泛应用。
引用
@article{arxiv.2412.08255,
title = {Accurate Medical Named Entity Recognition Through Specialized NLP Models},
author = {Jiacheng Hu and Runyuan Bao and Yang Lin and Hanchao Zhang and Yanlin Xiang},
journal= {arXiv preprint arXiv:2412.08255},
year = {2024}
}