CollaboNet: تعاون الشبكات العصبية العميقة لتمييز الكيانات المسماة في المجال البيولوجي الطبي

الخلفية: تحديد الكيانات الطبية الحيوية هو أحد المهام الأساسية في تعدين النصوص الطبية الحيوية. مؤخرًا، تم تطبيق نماذج التعلم العميق على تحديد الكيانات الطبية الحيوية (BioNER) وأظهرت نتائج واعدة. ومع ذلك، فإن الحاجة إلى كميات كبيرة من بيانات التدريب تعد مطلبًا أساسيًا للتعلم العميق، ونقص البيانات يمكن أن يعيق الأداء. تعتبر مجموعات البيانات لـ BioNER موارد نادرة، وكل مجموعة تغطي فقط جزءًا صغيرًا من أنواع الكيانات. بالإضافة إلى ذلك، فإن العديد من الكيانات البيولوجية متعددة المعاني، وهو ما يعد أحد العقبات الرئيسية في تحديد الكيانات.النتائج: لحل مشكلة نقص البيانات ومشكلة سوء تصنيف نوع الكيان، نقترح استخدام CollaboNet الذي يستخدم مزيجًا من عدة نماذج لتحديد الكيانات (NER). في CollaboNet، يتم ربط النماذج التي تم تدريبها على مجموعات بيانات مختلفة ببعضها البعض بحيث يحصل النموذج المستهدف على المعلومات من النماذج المشاركة الأخرى لتقليل الإيجابيات الخاطئة. يكون كل نموذج خبيرًا في نوع كيانه المستهدف ويتبادل دوره كنموذج مستهدف وكنموذج مشارك خلال فترة التدريب. أظهرت النتائج التجريبية أن CollaboNet يمكن استخدامه لتقليل عدد الإيجابيات الخاطئة والكيانات المصنفة بشكل غير صحيح بما في ذلك الكلمات متعددة المعاني بشكل كبير. حقق CollaboNet أفضل الأداء حاليًا من حيث الدقة والاسترجاع ومعدل F1.الاستنتاجات: أثبتنا فوائد الجمع بين عدة نماذج لـ BioNER. لقد نجح نموذجنا في تقليل عدد الكيانات المصنفة بشكل غير صحيح وتحسين الأداء عن طريق الاستفادة من عدة مجموعات بيانات تم توضيحها لأنواع مختلفة من الكيانات. بالنظر إلى الأداء الرائد لنموذجنا، فإننا نعتقد أن CollaboNet يمكن أن يحسن دقة التطبيقات اللاحقة لتعدين النصوص الطبية الحيوية مثل استخراج علاقات الكيانات البيولوجية.