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


e-Publikacja (format pdf) - nr 17052 "Wpływ warunków umacniania..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


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

Prenumerata

INŻYNIERIA MATERIAŁOWA - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

402.00 zł

INŻYNIERIA MATERIAŁOWA - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
INŻYNIERIA MATERIAŁOWA - papierowa prenumerata roczna	492.00 zł brutto 455.56 zł netto 36.44 zł VAT (stawka VAT 8%)
INŻYNIERIA MATERIAŁOWA - pakowanie i wysyłka	21.00 zł brutto 17.07 zł netto 3.93 zł VAT (stawka VAT 23%)

513.00 zł

INŻYNIERIA MATERIAŁOWA - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
INŻYNIERIA MATERIAŁOWA - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	600.00 zł brutto 555.56 zł netto 44.44 zł VAT (stawka VAT 8%)

600.00 zł

Zeszyt

2023-8

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma