医学 AI

Merged ChemProt-DrugProt for Relation Extraction from Biomedical Literature

融合ChemProt-DrugProt用于生物医学文献中的关系提取

Mai H. Nguyen, Shibani Likhite, Jiawei Tang, Darshini Mahendran, Bridget T. McInnes

机构 * San Diego Supercomputer Center, University of California San Diego 1 ； Department of Computer Science \& Engineering, University of California San Diego 2 ； Department of Computer Science, Virginia Commonwealth University 3 纠错

专题命中 生物医学文本 ：biomedical(title,abstract)；分类 q-bio

AI总结 本文通过融合ChemProt和DrugProt数据集，结合BioBERT和GCNs提升生物医学文献中化学-基因关系提取的准确率与召回率。

Less Finetuning, Better Retrieval: Rethinking LLM Adaptation for Biomedical Retrievers via Synthetic Data and Model Merging

更少微调，更好检索：通过合成数据和模型合并重新思考LLM适应于生物医学检索器

Sameh Khattab, Jean-Philippe Corbeil, Osman Alperen Koraş, Amin Dada, Julian Friedrich, François Beaulieu, Paul Vozila, Jens Kleesiek

机构 * IKIM, University Hospital Essen（IKIM，埃森大学医院） ； Microsoft Healthcare & Life Sciences（微软医疗与生命科学） 纠错

专题命中 生物医学文本 ：biomedical(title)；分类 cs.LG

AI总结 本文提出STM框架，通过合成数据和模型合并提升生物医学检索性能，实验显示在任务特定专家上提升23.5%并优于基线模型。

Comments Preprint

Causal Discovery for Cross-Sectional Data Based on Super-Structure and Divide-and-Conquer

基于超结构和分而治之的横截面数据因果发现

Wenyu Wang, Yaping Wan

机构 * School of Computer Science University of South China（计算机科学学院 南方大学） 纠错

专题命中 生物医学文本 ：biomedical(abstract)；分类 cs.LG

AI总结 本文提出一种轻量框架，通过整合弱约束超结构与高效图划分策略，降低CI测试开销，提升大规模因果发现效率。

Comments 7 pages,16 figures

A Domain-Specific Curated Benchmark for Entity and Document-Level Relation Extraction

用于实体和文档级关系提取的领域特定定制基准

Marco Martinelli, Stefano Marchesin, Vanessa Bonato, Giorgio Maria Di Nunzio, Nicola Ferro, Ornella Irrera, Laura Menotti, Federica Vezzani, Gianmaria Silvello

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文提出GutBrainIE基准，用于生物医学领域实体和文档级关系提取，通过精细标注和多任务设计提升IE方法的评估与开发

Comments Accepted to EACL 2026