[论文阅读笔记55]弱监督在电子病历的医学研究（之二）

论文都出自 Stanford University的 ，作者与[论文阅读笔记50]弱监督在电子病历的医学研究（之一）相同；

论文2-（Nature）：Ontology-driven weak supervision for clinical entity classification in electronic health records

题目

参考：Fries, J.A., Steinberg, E., Khattar, S. et al. Ontology-driven weak supervision for clinical entity classification in electronic health records. Nat Commun 12, 2017 (2021). https://doi-org.stanford.idm.oclc.org/10.1038/s41467-021-22328-4
论文：https://arxiv.org/pdf/2008.01972.pdf
https://github.com/som-shahlab/trove

解决问题与贡献

实体分类（NER）任务，由于隐私，共享的数据问题；
贡献：
提出了Trove框架，一个使用医学本体和专家生成的规则的弱监督实体分类框架。

内容

自动标注的例子：

实验

实验1：label来源不同（Ontologies—Rules—Hand-labeled）

== 指南，UMLS, OTHER,RULES,Hand-labeled ==

实验2：Trove与其它弱监督比较

实验3：检验学习源正确性

实验4：案例研究

监测急诊科接受covid-19检测的患者，分析出现症状/患病和危险因素的临床记录。

代码

Code availability Trove is written in Python v3.6, spaCy 2.3.4 was used for NLP preprocessing, and Snorkel v0.9.5 was used for training the label model. BioBERT-Base v1.1, Transformers v2.8 [70], and PyTorch v1.1.0 were used to train all discriminative models.
Trove is open source software and publicly available at https://github.com/som-shahlab/trove; https://doi.org/10.5281/zenodo.4497214 [71]

总结：相关的医学的内容，看得不是太明白，下次再一次阅读。这个方法的使用，对于实践有很好的实用意义。