Publié le

Participation de l’équipe du LIMICS à DEFT 2020



Participation de l’équipe du LIMICS à DEFT 2020
Perceval Wajsbürt, Yoann Taillé, Guillaume Lainé and Xavier Tannier
Nous présentons dans cet article les méthodes conçues et les résultats obtenus lors de notre participa-tion à la tâche 3 de la campagne d’évaluation DEFT 2020, consistant en la reconnaissance d’entitésnommées du domaine médical. Nous proposons deux modèles différents permettant de prendre encompte les entités imbriquées, qui représentent une des difficultés du jeu de données proposées,et présentons les résultats obtenus. Notre meilleur run obtient la meilleure performance parmi lesparticipants, sur l’une des deux sous-tâches du défi.


Publié le

DOING@DEFT : cascade de CRF pour l’annotation d’entités cliniques imbriquées



DOING@DEFT : cascade de CRF pour l’annotation d’entités cliniques imbriquées
Anne-Lyse Minard, Andréane Roques, Nicolas Hiot, Mirian Halfeld Ferrari Alves and Agata Savary
Cet article présente le système développé par l’équipe DOING pour la campagne d’évaluation DEFT 2020 portant sur la similarité sémantique et l’extraction d’information fine. L’équipe a participé uniquement à la tâche 3 : “extraction d’information”. Nous avons utilisé une cascade de CRF pour annoter les différentes informations à repérer. Nous nous sommes concentrés sur la question de l’imbrication des entités et de la pertinence d’un type d’entité pour apprendre à reconnaître un autre. Nous avons également testé l’utilisation d’une ressource externe, MedDRA, pour améliorer les performances du système et d’un pipeline plus complexe mais ne gérant pas l’imbrication des entités. Nous avons soumis 3 runs et nous obtenons en moyenne sur toutes les classes des F-mesures de 0,64, 0,65 et 0,61.