DiscHPO: Generative Models and Sentence Transformers for the Recognition and Normalisation of Continuous and Discontinuous Phenotype Mentions
Notice bibliographique
Résumé
Background: Extracting genetic phenotype mentions from clinical reports and normalising them to standardised concepts within the HPO ontology are essential for consistent interpretation and representation of genetic conditions. This is particularly important in fields such as dysmorphology and plays a key role in advancing personalised healthcare. However, modern clinical Named Entity Recognition (NER) methods face challenges in accurately identifying discontinuous mentions (i.e., entity spans that are interrupted by unrelated words) which can be found in these clinical reports. Objective: This study aims to develop a system that can accurately extract and normalise genetic phenotypes, specifically from physical examination reports related to dysmorphology assessment. These mentions appear in both continuous and discontinuous lexical forms, with a focus on addressing challenging disjoint (discontinuous) entity spans. Methods: We introduce DiscHPO, a two-phase pipeline consisting of (1) a sequence-to-sequence NER model for span extraction, and (2) an entity normaliser that employs a Sentence Transformer bi-encoder for candidate generation and a crossencoder re-ranker for selecting the best candidate as the normalised concept. This system was tested as part of our participation in Track 3 of the BioCreative VIII shared task. Results: For overall performance on the test set, the top-performing model for entity normalisation achieved an F1 score of 0.7229, while the best span extraction model reached an F1 score of 0.6647. Both scores surpassed those of two baseline models using the same dataset, indicating superior efficacy in handling both continuous and discontinuous spans. Approximately 14% of entity mentions in the dataset are disjoint spans. On the validation set, we were able to demonstrate our system's ability to recognise these mentions, with the model achieving an F1 score of 0.6235 for exact match on discontinuous spans only. Conclusions: The findings suggest that exact extraction of entity spans may not always be necessary for successful normalisation. Partial mention matches can be sufficient as long as they capture the essential concept information, supporting the system’s utility in clinical downstream tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».