Clinical Assertion Negation Bert

🚀 臨床斷言/否定分類BERT

本模型可將臨床患者信件中提及的醫療狀況分類為“存在”、“不存在”和“可能存在”，有助於構建臨床患者信件中的信息結構。

🚀 快速開始

臨床斷言和否定分類BERT模型在論文Assertion Detection in Clinical Notes: Medical Language Models to the Rescue?中被提出。該模型基於Alsentzer等人的ClinicalBERT - Bio + Discharge Summary BERT Model，並在2010 i2b2挑戰賽的斷言數據上進行了微調。

✨ 主要特性

該模型能夠將臨床患者信件中提到的醫療狀況分類為“存在”、“不存在”和“可能存在”，從而幫助結構化臨床患者信件中的信息。

📦 安裝指南

你可以通過transformers庫加載該模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification, TextClassificationPipeline
tokenizer = AutoTokenizer.from_pretrained("bvanaken/clinical-assertion-negation-bert")
model = AutoModelForSequenceClassification.from_pretrained("bvanaken/clinical-assertion-negation-bert")

💻 使用示例

基礎用法

該模型期望輸入的格式為帶有一個標記實體的跨度/句子，以將其分類為PRESENT(0)、ABSENT(1)或POSSIBLE(2)。相關實體通過特殊標記[entity]來標識。

示例輸入和推理：

input = "The patient recovered during the night and now denies any [entity] shortness of breath [entity]."

classifier = TextClassificationPipeline(model=model, tokenizer=tokenizer)

classification = classifier(input)
# [{'label': 'ABSENT', 'score': 0.9842607378959656}]

📚 詳細文檔

引用

在使用該模型時，請按如下方式引用我們的論文：

@inproceedings{van-aken-2021-assertion,
    title = "Assertion Detection in Clinical Notes: Medical Language Models to the Rescue?",
    author = "van Aken, Betty  and
      Trajanovska, Ivana  and
      Siu, Amy  and
      Mayrdorfer, Manuel  and
      Budde, Klemens  and
      Loeser, Alexander",
    booktitle = "Proceedings of the Second Workshop on Natural Language Processing for Medical Conversations",
    year = "2021",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2021.nlpmc-1.5",
    doi = "10.18653/v1/2021.nlpmc-1.5"
}