2026年03月03日
## 要約：
臨床文書からの実体抽出において、高い精度が求められます。本研究では、臨床データで事前学習したBERTモデルをNERに適用し、確率分布からノイズを除去するNoise Removal (NR)モデルを開発しました。このNRモデルにより、誤検出を50%～90%削減し、臨床現場での実用性を高めました。
---
## 翻訳：
臨床ノートやレポートからの臨床実体抽出において、精度が最も重要です。NER（固有表現認識）のためにファインチューニングされたエンコーダモデルは、ハルシネーションを起こさないという点で効率的な選択肢です。私たちは臨床データで独自のBERTを事前学習し、それをNERに適用しました。これらのモデルはリコールにおいて優れた性能を発揮しましたが、臨床モデルに必要な高精度レンジには到達できませんでした。この課題に対処するため、NERの出力を洗練するNoise Removalモデルを開発しました。NERモデルはトークンレベルのエンティティタグとトークンごとの確率スコアを割り当てます。私たちのNoise Removal (NR)モデルは、これらの確率シーケンスを分析し、予測を弱または強として分類します。単純なアプローチとしては、低い確率値に基づいて予測をフィルタリングすることが考えられますが、この方法は信頼性がありません。SoftMax関数の特性上、Transformerベースのアーキテクチャでは、不確実または弱い予測であっても、過度に高い信頼スコアを割り当てることが多く、単純な閾値処理では効果がありません。この問題を解決するために、Probability Density Map (PDM)のような高度な特徴を活用する教師ありモデリング戦略を採用しました。PDMは、Transformer埋め込み内で観察されるSemantic-Pull効果を捉え、トークンシーケンス全体のNERクラス予測の確率分布に顕著に現れます。このアプローチにより、モデルは予測を弱または強として著しく精度を向上させて分類できます。これらのNRモデルを使用することで、さまざまな臨床NERモデルにおける誤検出を50%～90%削減できました。
[📰 原文はこちら](https://arxiv.org/abs/2603.00022)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
