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

要約

背景 医学研究では何百万もの出版物が生成されており、その規模と複雑さは人間の読解能力をはるかに超えているため、研究者にとってこの情報を完全に活用することは大きな課題です。
自動テキストマイニングは、この膨大な文献全体に広がる情報を抽出して接続するのに役立ちますが、生命科学者にとってこのテクノロジーは簡単にアクセスできるものではありません。
結果 ここでは、疾患、細胞、化学物質、遺伝子/タンパク質など、医学研究論文に含まれる典型的なエンティティのディープ ラーニングおよび辞書ベースの固有表現認識 (NER) のための使いやすいエンドツーエンド パイプラインを開発しました。
、種。
このパイプラインは、大規模な医学研究論文コレクション (PubMed、CORD-19) または生のテキストにアクセスして処理でき、HUNER コーパス コレクションに基づいて微調整された一連の深層学習モデルが組み込まれています。
さらに、パイプラインは、新型コロナウイルス感染症 (COVID-19) やその他の医療トピックに関連する辞書ベースの NER を実行できます。
ユーザーは独自の NER モデルと辞書をロードして、追加のエンティティを含めることもできます。
出力は、検出されたエンティティと注釈付きテキストを含むファイルの出版準備が整ったランク付けされたリストとグラフで構成されます。
関連するスクリプトを使用すると、対象となる特定のエンティティの結果を迅速に検査できます。
モデルのユースケースとして、パイプラインは、PubMed からのオートファジー関連の要約の 2 つのコレクションと、新型コロナウイルス感染症 (COVID-19) に関連する 764,398 件の研究論文の要約のコレクションである CORD19 データセットにデプロイされました。
結論 私たちが紹介する NER パイプラインは、さまざまな医学研究環境に適用でき、生命科学者がカスタマイズ可能なテキスト マイニングにアクセスできるようになります。

要約(オリジナル)

Background Medical research generates millions of publications and it is a great challenge for researchers to utilize this information in full since its scale and complexity greatly surpasses human reading capabilities. Automated text mining can help extract and connect information spread across this large body of literature but this technology is not easily accessible to life scientists. Results Here, we developed an easy-to-use end-to-end pipeline for deep learning- and dictionary-based named entity recognition (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. Conclusions The NER pipeline we present is applicable in a variety of medical research settings and makes customizable text mining accessible to life scientists.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google