临床文本中的时间关系抽取：基于跨度图变换器的方法
计算与语言
2026-01-22 v2 人工智能
机器学习
摘要
从非结构化文本中抽取时间信息对于上下文化事件并派生可操作见解至关重要，尤其是在医疗领域。我们聚焦于从非结构化临床文本中抽取临床事件及其时间关系，使用已广泛研究的I2B2 2012时间关系挑战语料库。该任务本质上具有挑战性，因为涉及复杂的临床语言、长文档及稀疏标注。我们引入GRAPHTREX方法，集成基于跨度的实体-关系抽取、临床大型预训练语言模型（LPLMs），以及异构图变换器（HGT），以捕获局部与全局依赖关系。我们的HGT组件通过创新的全局地标实现跨文档信息传播，连接远距离实体。该方法在tempeval F1分数上超越当前最佳方法提升了5.5个百分点，对长程关系提升了最高8.9个百分点，这构成了一项巨大挑战。我们进一步通过在E3C语料库上建立强有力的基准，展示了方法的通用性。这一工作不仅推进了时间信息抽取，还为通过增强的时间推理奠定了改进诊断与预后模型的基础。
引用
@article{arxiv.2503.18085,
title = {Temporal Relation Extraction in Clinical Texts: A Span-based Graph Transformer Approach},
author = {Rochana Chaturvedi and Peyman Baghershahi and Sourav Medya and Barbara Di Eugenio},
journal= {arXiv preprint arXiv:2503.18085},
year = {2026}
}
备注
Introducing a novel method for joint extraction of medical events and temporal relations from free-text, leveraging clinical LPLMs and Heterogeneous Graph Transformers, achieving a 5.5% improvement over the previous state-of-the-art and up to 8.9% on long-range relations