MotivationLes approches récentes basées sur les réseaux neuronaux pour l'extraction d'événements à partir de texte se concentrent principalement sur les événements plats dans des domaines généraux, tandis que très peu d'efforts ont été déployés pour détecter des événements imbriqués et chevauchants. Ces systèmes existants reposent sur des entités prédéfinies et dépendent d'outils syntaxiques externes.RésultatsNous proposons un modèle neuronal end-to-end pour l'extraction d'événements imbriqués, nommé DeepEventMine, capable d'extraire plusieurs structures de graphes orientés acycliques imbriqués à partir d'une phrase brute. En s'appuyant sur le modèle d'encodage bidirectionnel à base de transformateurs (BERT), notre modèle détecte de manière end-to-end les entités imbriquées, les déclencheurs, les rôles, les événements imbriqués ainsi que leurs modifications, sans recourir à aucun outil syntaxique externe. Le modèle DeepEventMine atteint une nouvelle performance de pointe sur sept tâches d'extraction d'événements imbriqués en biomédecine. Même en l'absence d'entités annotées (« gold entities »), notre modèle parvient à détecter des événements à partir de texte brut avec des performances prometteuses.Disponibilité et implémentationNos codes et modèles, permettant de reproduire les résultats, sont disponibles à l'adresse suivante : https://github.com/aistairc/DeepEventMine.