利用外部知识从无标注临床文本中抽取表型的无监督数值推理方法
计算与语言
2022-04-22 v1 机器学习
摘要
从临床文本中抽取表型已被证明对多种临床应用场景有用，例如识别罕见病患者。然而，临床文本中涉及数值的推理在表型抽取中仍具挑战性，例如温度102华氏度代表发热。当前最先进的表型模型能够检测一般表型，但在检测需要数值推理的表型时表现不佳。我们提出了一种新颖的无监督方法，利用外部知识和来自ClinicalBERT的上下文词嵌入，在多种表型语境下进行数值推理。与无监督基线相比，该方法在广义召回率（Recall）和F1分数上分别取得了高达79%和71%的绝对提升。在有监督设定下，它也以广义召回率和F1分数上高达70%和44%的绝对提升超越了其他替代方法的性能。
引用
@article{arxiv.2204.10202,
title = {Unsupervised Numerical Reasoning to Extract Phenotypes from Clinical Text by Leveraging External Knowledge},
author = {Ashwani Tanwar and Jingqing Zhang and Julia Ive and Vibhor Gupta and Yike Guo},
journal= {arXiv preprint arXiv:2204.10202},
year = {2022}
}