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

• Autorzy: Mathur T. , Raimond Kumudha , Deepakanmani S.

Identyfikatory

DOI

10.15199/48.2023.08.18

Warianty tytułu

PL

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

• Języki publikacji: EN

Abstrakty

EN

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.

PL

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

EN

Drug Named Entity Recognition; deep learning; text summarization; BERT

PL

rozpoznawanie jednostek o nazwie leku; głęboka nauka; podsumowanie tekstu; BERT

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 8
• Strony: 106--109
• Opis fizyczny: Bibliogr. 18 poz., rys., tab., wykr.

Twórcy

autor

Mathur T.

• Department of Computer Science and Engineering, Karunya Institute of Technology and Sciences, Coimbatore, India

• https://orcid.org/0000-0003-1674-3418

autor

Raimond Kumudha

• Department of Computer Science and Engineering, Karunya Institute of Technology and Sciences, Coimbatore, India

• https://orcid.org/0000-0001-8680-8390

autor

Deepakanmani S.

• Department of Information Technology, Sri Krishna College of Engineering and Technology, Coimbatore, India

• https://orcid.org/0000-0001-8461-3792

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.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).