EasyNER: A Customizable Easy-to-Use Pipeline for Deep Learning- and Dictionary-based Named Entity Recognition from Medical Text

要約

【タイトル】医療テキストからのディープラーニングと辞書ベースの固有表現認識のためのカスタマイズ可能なパイプライン、EasyNER

【要約】
– 医療研究は35+百万の研究文献を含むPubMedデータベースで生成され、情報の散在性により全体を活用することが課題となっている。
– 極度の緊急事態、COVID-19のような場合は特に問題となっている。
– 自動テキストマイニングは医療研究の大量の文献から情報を抽出し、関連付けることができる。
– テキストマイニングの最初のステップは、固有表現認識（NER）、つまりキーワードの特定のクラス識別を識別することである。
– この論文では、一般的な医療研究文献で見つかる疾患、細胞、化学物質、遺伝子/タンパク質、および種を含むNERのためのエンドツーエンドパイプラインを紹介している。
– 同様に、COVID-19およびその他の医療トピックに関連する辞書ベースのNERを実行できる。
– ユーザーは、さまざまなエンティティを含めるために、独自のNERモデルと辞書をロードすることもできる。
– 出力には、検出されたエンティティのランキングリストとグラフ、注釈付きテキストファイルが含まれる。
– 関連スクリプトにより、特定の興味のあるエンティティの結果を迅速に検査できる。
– モデルの使用例として、パイプラインはPubMedから得られた2つのオートファジー関連の抄録コレクションおよび764,398のCOVID-19関連の研究論文抄録を含むCORD19データセットに展開された。

要約(オリジナル)

Medical research generates a large number of publications with the PubMed database already containing >35 million research articles. Integration of the knowledge scattered across this large body of literature could provide key insights into physiological mechanisms and disease processes leading to novel medical interventions. However, it is a great challenge for researchers to utilize this information in full since the scale and complexity of the data greatly surpasses human processing abilities. This becomes especially problematic in cases of extreme urgency like the COVID-19 pandemic. Automated text mining can help extract and connect information from the large body of medical research articles. The first step in text mining is typically the identification of specific classes of keywords (e.g., all protein or disease names), so called Named Entity Recognition (NER). Here we present an end-to-end pipeline for NER of typical entities found in medical research articles, including diseases, cells, chemicals, genes/proteins, and species. The pipeline can access and process large medical research article collections (PubMed, CORD-19) or raw text and incorporates a series of deep learning models fine-tuned on the HUNER corpora collection. In addition, the pipeline can perform dictionary-based NER related to COVID-19 and other medical topics. Users can also load their own NER models and dictionaries to include additional entities. The output consists of publication-ready ranked lists and graphs of detected entities and files containing the annotated texts. An associated script allows rapid inspection of the results for specific entities of interest. As model use cases, the pipeline was deployed on two collections of autophagy-related abstracts from PubMed and on the CORD19 dataset, a collection of 764 398 research article abstracts related to COVID-19.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI