Improving few-shot relation extraction through semantics-guided learning.
透過語義引導學習來改善少樣本關係提取。 Neural Netw 2024-01-02

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

LLM Instruction-Example Adaptive Prompting (LEAP) Framework for Clinical Relation Extraction.
臨床關係提取的LLM指導-範例自適應提示（LEAP）框架。 medRxiv 2024-02-10

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

Ensemble pretrained language models to extract biomedical knowledge from literature.
從文獻中提取生物醫學知識的預訓練語言模型集成。 J Am Med Inform Assoc 2024-03-23

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

Enhancing the coverage of SemRep using a relation classification approach.
利用關係分類方法增強SemRep的覆蓋範圍。 J Biomed Inform 2024-05-23

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

A Study of Biomedical Relation Extraction Using GPT Models.
使用 GPT 模型進行生物醫學關係提取之研究。 AMIA Jt Summits Transl Sci Proc 2024-06-03

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

LEAP: LLM instruction-example adaptive prompting framework for biomedical relation extraction.
LEAP: 生物醫學關係提取的LLM指導示例自適應提示框架。 J Am Med Inform Assoc 2024-06-21

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

Relation extraction using large language models: a case study on acupuncture point locations.
使用大型語言模型的關係提取：針對針灸穴位位置的案例研究。 J Am Med Inform Assoc 2024-08-29

這項研究探討了大型語言模型（LLMs），如GPT-3.5、GPT-4和Llama，在提取針灸穴位位置關係的有效性，特別是使用世界衛生組織的標準作為數據集。研究標註了五種穴位關係，並根據精確度、召回率和F1分數評估模型表現。結果顯示，微調後的GPT-3.5表現最佳，達到最高微平均F1分數0.92，顯示針灸領域的微調對關係提取的重要性。研究建議LLMs可增強針灸的臨床決策支持及教育資源，推進傳統醫學的資訊學發展。 PubMed DOI

Empowering Graph Neural Network-Based Computational Drug Repositioning with Large Language Model-Inferred Knowledge Representation.
基於圖神經網絡的計算藥物重定位與大型語言模型推斷知識表示的賦能。 Interdiscip Sci 2024-09-26

這項研究探討如何利用大型語言模型（LLMs）來提升計算藥物重定位的能力，特別是預測藥物與疾病的關聯。傳統方法常受限於不完整的數據，而LLMs能提供豐富的生物醫學知識。研究人員開發了零樣本提示模板，並提出三種模型架構，結果顯示LLM-DDA<sub>GNN-AE</sub>在多項指標上表現優於其他模型。案例研究也證實了該模型在識別可靠藥物與疾病關聯方面的能力，顯示LLMs在藥物重定位及其他生物醫學任務中的潛力。 PubMed DOI

Joint extraction of entity and relation based on fine-tuning BERT for long biomedical literatures.
基於微調 BERT 進行長篇生物醫學文獻的實體與關係聯合提取。 Bioinform Adv 2024-12-24

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

Effectiveness of Transformer-Based Large Language Models in Identifying Adverse Drug Reaction Relations from Unstructured Discharge Summaries in Singapore.
基於變壓器的大型語言模型在新加坡從非結構化出院摘要中識別不良藥物反應關係的有效性。 Drug Saf 2025-02-21

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

原始文章

站上相關主題文章列表