面向临床叙述的抽象意义表示解析——SPRING THYME 解析器
计算与语言
2024-05-16 v1 机器学习
摘要
本文致力于设计和评估面向临床笔记的首个 AMR 解析器。我们的目标是促进临床笔记向结构化 AMR 表达式的精确转换，从而在规模化范围内增强临床文本数据的可解释性和可用性。我们利用来自 Temporal Histories of Your Medical Events (THYME) 语料库的结直肠癌数据集，适配一个采用持续训练的领先级 AMR 解析器。我们的方法包含数据增强技术，以提高 AMR 结构预测的准确率。通过这一学习策略，我们的解析器在 THYME 语料库的结直肠癌数据集上取得了惊人的 88% F1 分数。此外，我们的研究深入探讨了临床笔记中数据需求在 AMR 解析领域的有效性，为 AMR 解析提出了域适应数据需求。该探索不仅凸显了解析器的稳健性能，也突显了其在通过结构化语义表示促进对临床叙述深入理解方面的潜力。
引用
@article{arxiv.2405.09153,
title = {Adapting Abstract Meaning Representation Parsing to the Clinical Narrative -- the SPRING THYME parser},
author = {Jon Z. Cai and Kristin Wright-Bettner and Martha Palmer and Guergana K. Savova and James H. Martin},
journal= {arXiv preprint arXiv:2405.09153},
year = {2024}
}
备注
Accepted to the 6th Clinical NLP Workshop at NAACL, 2024