语言: "葡萄牙语" 微件:

• 文本: "患者主诉腰痛15年，并向右大腿放射。"
• 文本: "患者目前仍在住院，未见水肿。"

数据集:

• SemClinBr 缩略图: "https://raw.githubusercontent.com/HAILab-PUCPR/BioBERTpt/master/images/logo-biobertpr1.png"

葡萄牙语临床命名实体识别 - 体征模型

该体征命名实体识别模型是BioBERTpt项目的组成部分，该项目训练了13个与UMLS兼容的临床实体模型。用户"pucpr"的所有NER模型均基于巴西临床语料库SemClinBr训练，采用10个训练周期和IOB2格式，源自BioBERTpt(完整版)模型。

致谢

本研究部分由巴西高等教育人才提升协调会(CAPES)资助 - 财政代码001。

引用文献

@inproceedings{schneider-etal-2020-biobertpt,
    title = "{B}io{BERT}pt - 用于临床命名实体识别的葡萄牙语神经网络语言模型",
    author = "Schneider, Elisa Terumi Rubel 等",
    booktitle = "第三届临床自然语言处理研讨会论文集",
    month = "11月",
    year = "2020",
    address = "线上",
    publisher = "计算语言学协会",
    url = "https://www.aclweb.org/anthology/2020.clinicalnlp-1.7",
    pages = "65--72",
    abstract = "随着电子健康记录数据的增长，临床NLP任务对于从非结构化临床文本中提取有价值信息愈发重要。虽然英语语料库的下游NLP任务（如命名实体识别）性能近期因情境化语言模型得到提升，但针对低资源语言临床文本的研究仍较少。我们的目标是评估葡萄牙语深度情境嵌入模型BioBERTpt在支持临床和生物医学NER方面的表现。通过将多语言BERT模型中的学习信息迁移至巴西葡萄牙语的临床叙述和生物医学科学论文语料库。为评估BioBERTpt性能，我们在两个包含临床叙述的标注语料库上进行NER实验，并与现有BERT模型对比。我们的领域内模型F1分数比基线模型提高2.72%，在13个评估实体中有11个表现更优。研究表明，用领域文献丰富情境嵌入模型能显著提升特定NLP任务性能。迁移学习过程通过减少标注数据需求和完全重新训练的需求，增强了葡萄牙语生物医学NER模型。",
}

问题咨询?

请在BioBERTpt代码库提交Github议题。