少樣本關係抽取（few-shot RE）是一種在文本中識別實體間關係的方法，只需極少標註示例。現有方法如原型網絡透過增強原型表示或對比學習來提升預測，但可能在異常樣本及相似類別混淆上遇到困難。為因應此問題，提出了語義引導學習（SemGL）方法，透過提示編碼及關係圖學習來強化實例與原型表示，突顯關係特徵及共享特性，並透過對比學習在實例及原型層級提升性能。SemGL引入新的關係原型進行預測，在少樣本關係抽取數據集上表現良好，尤其在領域適應任務中。 PubMed DOI

研究發現在大型語言模型中運用適應性示範提取臨床關係，專注於指示和示例提示，能有效提升模型表現。LEAP框架在DDI和BC5CDR數據集上評估LLMs，顯示F1分數有明顯提升。特別是MedLLAMA-13b模型在BC5CDR上表現優異。這項研究為增強LLM訓練策略提供了有前途的方法。 PubMed DOI

生物醫學文獻增加快速，需要自動識別生物醫學概念關係。LitCoin NLP挑戰評估這個潛力，提供語料庫。我們的自然語言處理系統採用集成學習和基於規則的方法，在命名實體識別和關係提取任務表現優異，勝過200多支隊伍。微調110億參數模型提升性能，並與OpenAI ChatGPT等大型語言模型進行測試，顯示在生物醫學任務中具有優勢。結果凸顯特定模型對生物醫學研究的重要性。 PubMed DOI

生物醫學研究中，提取關係對整理資料、藥物再利用和新發現很重要。研究者利用關係分類來改進SemMedDB，並透過PubMedBERT模型進行訓練。測試結果顯示準確度、召回率和F1分數皆有提升。SemMedDB應用於1.2萬個摘要後，資料量增加一倍，67%的新預測正確。這個模型展現了提升生物醫學文獻挖掘的潛力。詳細資訊請參考https://github.com/Michelle-Mings/SemRep_RelationClassification。 PubMed DOI

關係抽取是NLP中的一個任務，專注於提取生物醫學實體之間的語義關係。研究者們正在研究使用大型語言模型如GPT-3.5-turbo和GPT-4來進行這項任務。在研究中，這些模型在EU-ADR、GAD和ChemProt三個標準數據集上進行了測試，並取得了不錯的成績。在某些情況下，GPT模型的表現甚至可以與BioBERT和PubMedBERT相媲美。 PubMed DOI

研究探討了使用大型語言模型進行生物醫學關係提取，並引入了LEAP框架，包括自適應調整方法，提高性能。LEAP框架在不同LLM模型上優於傳統調整，在DDI、ChemProt和BioRED等數據集上表現出色。MedLLAMA_13B模型在ChemProt數據集達到95.13的F1分數。LEAP框架為增強生物醫學關係提取的LLM訓練策略提供了有前途的方法。 PubMed DOI

實體與關係的聯合提取在資訊擷取中非常重要，尤其是在生物醫學文獻中。本文提出的模型有效解決了句內和句間的提取問題，對於長文本中的長距離依賴關係至關重要。模型結合了多種深度學習技術，如微調的BERT、圖卷積網絡、穩健學習及局部正則化條件隨機場，能準確識別生物醫學文本中的實體，並提取三元組關係。實驗結果顯示該模型在多個數據集上表現優異，促進了生物醫學知識圖譜的構建。相關代碼可在GitHub上獲取。 PubMed DOI

基於變壓器的語言模型在自然語言處理上有顯著進展，但在臨床環境中識別藥物不良事件的有效性受到非標準語言的挑戰。研究中，九個預訓練的模型在5,088對藥物-AE數據上微調，並在新加坡的去識別化出院摘要及MIMIC-III數據庫進行驗證。結果顯示，BioM-ELECTRA-Large-BiLSTM模型的F1分數比傳統機器學習提高了16.1%。透過應用規則精煉預測，假陽性減少，精確度提升。整體而言，這些模型在識別因果相關藥物-AE對方面表現優於傳統方法，但仍需額外規則以克服限制。 PubMed DOI

這項研究探討大型語言模型（LLMs），如GPT-3.5、GPT-4.0和Claude-opus，在化學與疾病關係提取中的挑戰，特別是標註數據不足的情況。研究發現，這些模型在精確提取上達87%的F1分數，但全面提取僅73%。模型在提示工程上的改進有限，且對正向關係的識別較佳。提取錯誤多因模型誤解生物醫學文本的隱含意義。最後，研究提供了增強提取任務的工作流程，並強調優化訓練數據的重要性。 PubMed DOI

TEmbed-DDI 是一種新方法，利用大型語言模型的嵌入技術，結合醫療情境資訊，提升藥物交互作用（DDI）註釋的準確度。它不只看分子結構，還用有意義的文本特徵，讓藥物表示更完整。這方法在西藥和中藥的測試都表現優異，也是首次把中藥納入 DDI 註釋，未來在醫學研究和新藥開發很有潛力。 PubMed DOI