Propojení pojmenovaných entit získaných z českých biomedicínských textů se standardními slovníky

Bc. Filip Gregora

Bachelor's thesis

Linking named entities extracted from Czech biomedical texts with standard vocabularies

Abstract:

Pomocí metod strojového učení ve zdravotnictví můžeme dosáhnout rychlejšího a přesnějšího lékařského rozhodování. Bohužel je většina lékařských informací uložena ve formě nestrukturovaného textu, který pro metody strojového učení není vhodný. Jako řešení implementuje tato práce techniku, která propojí pojmenované entity získané z českých biomedicínských textů se standardními slovníky. Tato technika pracuje ve třech krocích. V prvním kroku jsou ze standardních slovníků generovány kandidátní entity. Ve druhém kroku jsou ohodnoceny kandidátní entity a je vybrána nejlépe ohodnocená kandidátní entita. Ve třetím kroku jsou vyřazeny nepropojitelné entity a místo nich je vrácena hodnota NIL. Tato práce využívá dataset určený pro rozpoznání pojmenovaných entit, ze kterého je následně vytvořen dataset, na kterém je technika vyhodnocena.

Abstract:

We can achieve faster and more accurate medical decision-making thanks to machine learning methods in healthcare. Unfortunately, most medical information is stored in unstructured text, which is unsuitable for machine learning methods. As a solution, this work implements a technique that connects named entities obtained from Czech biomedical texts with standard dictionaries. This technique works in three steps. The first step is generating candidate entities from standard dictionaries. The second step is ranking candidate entities and selecting the best-rated candidate entity. The third step is recognizing unlinkable entities and replacing them with NIL values. This work uses a dataset designed for named entity recognition, from which a dataset on which the technique is evaluated is created.

Keywords

named entity linking, medical informations, NLP, modely GPT, machine learning, medical terms, unique identifiers

Language used: Czech

Date on which the thesis was submitted / produced: 23. 5. 2024

Thesis defence

• Date of defence: 24. 6. 2024
• Supervisor: doc. Mgr. Bc. Vít Nováček, PhD
• Reader: Mgr. Krištof Anetta

Masaryk University

Faculty of Informatics

Bachelor programme / field:
Informatics / Informatics