Naukowcy opracowali PiPMRE, innowacyjny framework do ekstrakcji relacji medycznych oparty na modelach języka, który radykalnie zmienia podejście do tego problemu. Zamiast tradycyjnego podejścia sekwencyjnego z kompleksowymi schematami tagowania, metoda wykorzystuje dwuetapowy proces: generator relacji najpierw generuje potencjalne trójki (podmiot-relacja-obiekt), a następnie filter ocenia każdą z nich i zachowuje tylko te powyżej ustalonego progu.
Klucz do sukcesu leży w podejściu opartym na szablonach i modelach języka. Zamiast wymyślać skomplikowane schematy tagowania, PiPMRE reformatuje tekst wejściowy za pomocą prostych szablonów, co pozwala modelowi generować encje i relacje w naturalnym porządku kontekstowym. To podejście eliminuje wiele problemów dotychczasowych metod, zwłaszcza trudności z ekstracją wielu relacji z jednego tekstu i zawiłych zależności między bytami medycznymi.
Wyniki są imponujące - PiPMRE przekracza dotychczasowy stan sztuki średnio o 5,6 punktu procentowego w recall i 4,4 punktu w dokładności na dwóch publicznych zbiorach danych. Co ważne, metoda sprawdza się również w scenariuszach few-shot, gdzie dostępnych jest mniej danych treningowych. To stanowi znaczący postęp w przetwarzaniu tekstu medycznego, gdzie precyzja ekstrakcji informacji ma bezpośrednie implikacje dla jakości systemów wspomagających diagnostykę i analizę dokumentacji medycznej.