@inproceedings{gerardin-etal-2021-classification,
title = "Classification multilabel de concepts m{\'e}dicaux pour l{'}identification du profil clinique du patient (Multilabel classification of medical concepts for patient{'}s clinical profile identification )",
author = {G{\'e}rardin, Christel and
Vaillant, Pascal and
Wajsb{\"u}rt, Perceval and
Gilavert, Cl{\'e}ment and
Bellamine, Ali and
Kempf, Emmanuelle and
Tannier, Xavier},
editor = "Grouin, Cyril and
Grabar, Natalia and
Illouz, Gabriel",
booktitle = "Actes de la 28e Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Atelier D{\'E}fi Fouille de Textes (DEFT)",
month = "6",
year = "2021",
address = "Lille, France",
publisher = "ATALA",
url = "https://aclanthology.org/2021.jeptalnrecital-deft.3",
pages = "21--30",
abstract = "La premi{\`e}re t{\^a}che du D{\'e}fi fouille de textes 2021 a consist{\'e} {\`a} extraire automatiquement, {\`a} partir de cas cliniques, les ph{\'e}notypes pathologiques des patients regroup{\'e}s par t{\^e}te de chapitre du MeSH-maladie. La solution pr{\'e}sent{\'e}e est celle d{'}un classifieur multilabel bas{\'e} sur un transformer. Deux transformers ont {\'e}t{\'e} utilis{\'e}s : le camembert-large classique (run 1) et le camembert-large fine-tun{\'e} (run 2) sur des articles biom{\'e}dicaux fran{\c{c}}ais en acc{\`e}s libre. Nous avons {\'e}galement propos{\'e} un mod{\`e}le « bout-enbout », avec une premi{\`e}re phase d{'}extraction d{'}entit{\'e}s nomm{\'e}es {\'e}galement bas{\'e}e sur un transformer de type camembert-large et un classifieur de genre sur un mod{\`e}le Adaboost. Nous obtenons un tr{\`e}s bon rappel et une pr{\'e}cision correcte, pour une F1-mesure autour de 0,77 pour les trois runs. La performance du mod{\`e}le « bout-en-bout » est similaire aux autres m{\'e}thodes.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="gerardin-etal-2021-classification">
<titleInfo>
<title>Classification multilabel de concepts médicaux pour l’identification du profil clinique du patient (Multilabel classification of medical concepts for patient’s clinical profile identification )</title>
</titleInfo>
<name type="personal">
<namePart type="given">Christel</namePart>
<namePart type="family">Gérardin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Pascal</namePart>
<namePart type="family">Vaillant</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Perceval</namePart>
<namePart type="family">Wajsbürt</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Clément</namePart>
<namePart type="family">Gilavert</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Ali</namePart>
<namePart type="family">Bellamine</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Emmanuelle</namePart>
<namePart type="family">Kempf</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Xavier</namePart>
<namePart type="family">Tannier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2021-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 28e Conférence sur le Traitement Automatique des Langues Naturelles. Atelier DÉfi Fouille de Textes (DEFT)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Cyril</namePart>
<namePart type="family">Grouin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Natalia</namePart>
<namePart type="family">Grabar</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Gabriel</namePart>
<namePart type="family">Illouz</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Lille, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>La première tâche du Défi fouille de textes 2021 a consisté à extraire automatiquement, à partir de cas cliniques, les phénotypes pathologiques des patients regroupés par tête de chapitre du MeSH-maladie. La solution présentée est celle d’un classifieur multilabel basé sur un transformer. Deux transformers ont été utilisés : le camembert-large classique (run 1) et le camembert-large fine-tuné (run 2) sur des articles biomédicaux français en accès libre. Nous avons également proposé un modèle « bout-enbout », avec une première phase d’extraction d’entités nommées également basée sur un transformer de type camembert-large et un classifieur de genre sur un modèle Adaboost. Nous obtenons un très bon rappel et une précision correcte, pour une F1-mesure autour de 0,77 pour les trois runs. La performance du modèle « bout-en-bout » est similaire aux autres méthodes.</abstract>
<identifier type="citekey">gerardin-etal-2021-classification</identifier>
<location>
<url>https://aclanthology.org/2021.jeptalnrecital-deft.3</url>
</location>
<part>
<date>2021-6</date>
<extent unit="page">
<start>21</start>
<end>30</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Classification multilabel de concepts médicaux pour l’identification du profil clinique du patient (Multilabel classification of medical concepts for patient’s clinical profile identification )
%A Gérardin, Christel
%A Vaillant, Pascal
%A Wajsbürt, Perceval
%A Gilavert, Clément
%A Bellamine, Ali
%A Kempf, Emmanuelle
%A Tannier, Xavier
%Y Grouin, Cyril
%Y Grabar, Natalia
%Y Illouz, Gabriel
%S Actes de la 28e Conférence sur le Traitement Automatique des Langues Naturelles. Atelier DÉfi Fouille de Textes (DEFT)
%D 2021
%8 June
%I ATALA
%C Lille, France
%G French
%F gerardin-etal-2021-classification
%X La première tâche du Défi fouille de textes 2021 a consisté à extraire automatiquement, à partir de cas cliniques, les phénotypes pathologiques des patients regroupés par tête de chapitre du MeSH-maladie. La solution présentée est celle d’un classifieur multilabel basé sur un transformer. Deux transformers ont été utilisés : le camembert-large classique (run 1) et le camembert-large fine-tuné (run 2) sur des articles biomédicaux français en accès libre. Nous avons également proposé un modèle « bout-enbout », avec une première phase d’extraction d’entités nommées également basée sur un transformer de type camembert-large et un classifieur de genre sur un modèle Adaboost. Nous obtenons un très bon rappel et une précision correcte, pour une F1-mesure autour de 0,77 pour les trois runs. La performance du modèle « bout-en-bout » est similaire aux autres méthodes.
%U https://aclanthology.org/2021.jeptalnrecital-deft.3
%P 21-30
Markdown (Informal)
[Classification multilabel de concepts médicaux pour l’identification du profil clinique du patient (Multilabel classification of medical concepts for patient’s clinical profile identification )](https://aclanthology.org/2021.jeptalnrecital-deft.3) (Gérardin et al., JEP/TALN/RECITAL 2021)
ACL