Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2023 - zeszyt 8

A hybrid drug named entity recognition framework for real time pubmed data using deep learning and text summarization techniques

Hybrydowa struktura rozpoznawania jednostek o nazwie lek dla publikowanych danych w czasie rzeczywistym przy użyciu technik głębokiego uczenia się i streszczania tekstu

10.15199/48.2023.08.18

nr katalogowy: 144425
10.15199/48.2023.08.18

Streszczenie

Drug Named Entity Recognition (DNER) becomes indispensable for various medical relation extraction systems. Existing deep learning systems rely on the benchmark data for training as well as testing the model. However, it is very important to test on the real time data. In this research, we propose a hybrid DNER framework where we incorporate text summarization on real time data to create the test dataset. We have experimented with various text summarization techniques and found SciBERT model to give better results than other techniques.

Abstract

Rozpoznawanie jednostek o nazwie leku (DNER) staje się nieodzowny dla innych systemów ekstrakcji relacji medycznych. Istniejące systemy głębokiego uczenia się opierają się na danych porównawczych zarówno podczas szkolenia, jak i testowania modelu. Jednak bardzo ważne jest, aby testować dane w czasie rzeczywistym. W tym badaniu proponujemy hybrydową strukturę DNER, w której uwzględniamy podsumowanie tekstu na danych w czasie rzeczywistym w celu utworzenia zestawu danych testowych. Eksperymentowaliśmy z różnymi technikami podsumowania tekstu i stwierdziliśmy, że model BERT daje lepsze wyniki niż inne techniki.

Słowa kluczowe

Keywords

Bibliografia

[1] Ghoulam A., Barigou F., Belalem G., Information extraction in the medical domain, Journal of Information Technology Research (JITR)., 8(2015), No.2, 1-15.
[2] Korkontzelos I., Piliouras D., Dowsey A. W., Ananiadou S., Boosting drug named entity recognition using an aggregate classifier, Artificial intelligence in medicine., 65(2015), No. 2, 145-153.
[3] Cheng L., Chang T. K., Wong, H., Drug-Drug Interactions With a Pharmacokinetic Basis, Compr. Pharmacol., (2022), 698– 715.
[4] Kant A., Bilmen J., Hopkins P. M. Adverse drug reactions, Pharmacology and Physiology for Anesthesia., (2019),130-143.
[5] Allahyari M., Pouriyeh S., Assefi M., Safaei S., Trippe E. D., Gutierrez J. B., Kochut K., Text summarization techniques: a brief survey. arXiv preprint arXiv:1707.02268., (2017).
[6] Herrero-Zazo M., Segura-Bedmar I., Martínez P., Declerck T., The DDI corpus: An annotated corpus with pharmacological substances and drug–drug interactions. Journal of biomedical informatics, 46(2013) No.5, 914-920.
[7] Bhargava R., Sharma Y., Deep extractive text summarization, Procedia Computer Science., 167 (2020), 138- 146.
[8] Zhang M., Li X., Yue S., Yang L., An empirical study of TextRank for keyword extraction, IEEE Access, 8(2020), 178849-178858.
[9] Qaiser S., Ali R., Text mining: use of TF-IDF to examine the relevance of words to documents, International Journal of Computer Applications, 181(2018) No.1, 25-29.
[10] Miller D., Leveraging BERT for extractive text summarization on lectures. arXiv preprint arXiv:1906.04165. (2019)
[11] Unanue I. J., Borzeshi E. Z., Piccardi M., Recurrent neural networks with specialized word embeddings for health-domain named-entity recognition, Journal of biomedical informatics, 76(2017), 102-109.
[12] Habibi M., Weber L., Neves M., Wiegandt D. L., Leser U., Deep learning with word embeddings improves biomedical named entity recognition, Bioinformatics, 33(2017) No.14, i37- i48.
[13] Mathu T., Raimond K., A novel deep learning architecture for drug named entity recognition. TELKOMNIKA (Telecommunication Computing Electronics and Control), 19(2021) No.6, 1884-1891.
[14] Peters M. E., Neumann M., Iyyer, M., Gardner, M., Clark C., Lee K., Zettlemoyer L. (1802) Deep contextualized word representations. CoRR abs/1802.05365 (2018). arXiv preprint arXiv:1802.05365.
[15] Zeng D., Sun C., Lin L., Liu B., LSTM-CRF for drug-named entity recognition, Entropy, 19(2017), No. 6, 283.
[16] Liu S., Tang, B., Chen, Q., & Wang, X. Effects of semantic features on machine learning-based drug name recognition systems: word embeddings vs. manually constructed dictionaries. Information, 6(2015), No. 4, 848-865.
[17] Rocktäschel T., Huber T., Weidlich M., Leser U., WBI-NER: The impact of domain-specific features on the performance of identifying and classifying mentions of drugs, In Second Joint Conference on Lexical and Computational Semantics, Proceedings of the Seventh International Workshop on Semantic Evaluation, 2(2013), 356-363.
[18] Abacha A. B., Chowdhury M. F. M., Karanasiou A., Mrabet Y., Lavelli A., Zweigenbaum P., Text mining for pharmacovigilance: Using machine learning for drug name recognition and drug–drug interaction extraction and classification, Journal of biomedical informatics, 58(2015), 122- 132.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2023-8 , nr katalogowy 144425 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2023-8 licencja: Osobista Produkt cyfrowy Nowość	70.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2023-8

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma