面向医学临床笔记相似度估计的图增强循环学习框架
计算与语言
2022-08-22 v1 机器学习
摘要
临床领域的语义文本相似度（STS）有助于提高诊断效率并为下游数据挖掘任务生成简洁文本。然而，鉴于临床文本涉及高度领域知识，通用语言模型仍难以推断临床句子背后的隐式医学关系并正确输出相似度。本文提出一种用于临床领域相似度估计的图增强循环学习框架。该框架可便捷地部署于最先进的骨干语言模型上，并通过与基于辅助图卷积网络（GCN）的网络协同训练来利用领域知识，从而提升其性能。我们报告了在 GCN 中引入领域知识以及该协同训练框架的成功：分别将 Bio-clinical BERT 基线提升了 16.3% 和 27.9%。
引用
@article{arxiv.2208.09437,
title = {Graph-Augmented Cyclic Learning Framework for Similarity Estimation of Medical Clinical Notes},
author = {Can Zheng and Yanshan Wang and Xiaowei Jia},
journal= {arXiv preprint arXiv:2208.09437},
year = {2022}
}
备注
The 10th IEEE International Conference on Healthcare Informatics