通过深度神经网络推进生物医学文本中PICO要素检测
计算与语言
2019-11-12 v4 人工智能
机器学习
摘要
在循证医学（EBM）中，以特定患者问题定义临床问题有助于医生高效识别适当资源并搜索用于医疗治疗的最佳可用证据。为构建定义明确、聚焦的临床问题，广泛采用称为PICO的框架，其识别给定医学文本中属于临床试验通常报告的四个组成部分的句子：参与者/问题（P）、干预（I）、比较（C）和结果（O）。本工作中，我们提出一种用于识别生物医学摘要中PICO要素的新型深度学习模型。基于先前最先进的双向长短期记忆（biLSTM）加条件随机场（CRF）架构，我们在句子表示向量上添加另一层biLSTM，从而可收集来自周围句子的上下文信息以帮助推断当前句子的解释。此外，我们提出两种方法以进一步泛化和改进模型：对抗训练和大语料上的无监督预训练。我们在两个基准数据集上测试了所提方法。其一是PubMed-PICO数据集，我们的最佳结果在F1分数上分别超越先前最佳5.5%、7.9%和5.8%（P、I和O要素）。对于另一名为NICTA-PIBOSO的数据集，P/I/O要素的F1分数改进分别为2.4%、13.6%和1.0%。总体而言，我们提出的深度学习模型可获得前所未有的PICO要素检测精度，同时避免任何手动特征选择的需要。
引用
@article{arxiv.1810.12780,
title = {Advancing PICO Element Detection in Biomedical Text via Deep Neural Networks},
author = {Di Jin and Peter Szolovits},
journal= {arXiv preprint arXiv:1810.12780},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract