arXiv cs.CL· Xuanlyu Zhu, Feng Tian, Yang Zhong, Pengqi Zheng, Xiwen Bi, Ling Luo, Yuanyuan Sun, Jian Wang, Lingfei Lin·· 12 小时前AI 评分22
CHIP 2026 共享任务 1 综述：全文生物医学文献中的患者特异性表型概念识别
Overview of CHIP 2026 Shared Task 1: Patient-Specific Phenotype Concept Recognition in Full-Text Biomedical Literature
AI 导读
CHIP 2026 共享任务 1 聚焦全文生物医学文献中的患者特异性表型概念识别，设全文表型概念识别与患者-表型关联两个子任务。评测基于 PatientPheX 数据集的 200 篇标注全文文献，含 506 名患者、15,193 个表型提及和 5,656 条患者-表型关联，共 455 支队伍注册，Phase A 和 Phase B 分别收到 189 与 103 份有效提交。
正文 · AI 翻译
摘要：自动表型信息抽取在罕见病诊断、基因型-表型分析和精准医学中发挥着重要作用。然而，准确识别表型概念并确定其与特定患者的关联仍然具有挑战性，尤其是在涉及多名患者和复杂临床描述的全文本生物医学文章中。本文概述了 CHIP 2026 共享任务 1，该任务旨在促进从全文本生物医学文献中进行患者特异性表型概念识别的方法发展。该任务包含两个子任务：全文本表型概念识别和患者特异性表型关联。在本次评测中，我们使用了 PatientPheX 数据集中 200 篇标注的全文本生物医学文章，包含 506 名患者、15,193 个表型提及和 5,656 个患者-表型关联。共有 455 支队伍注册参赛，在 Phase A 和 Phase B 排行榜上分别收到 189 份和 103 份有效提交。表现最佳的系统在最终测试集上取得了 0.7389 的总分，比基线高出 8.37 个百分点。排名靠前的队伍探索了结合生物医学语言模型、大语言模型（LLMs）和集成策略的多种方法。评测结果既凸显了这些方法的潜力，也揭示了从全文本生物医学文献中进行患者归因和表型标准化方面仍存在的挑战。评测后阶段仍在 此 https URL 开放。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29606 [cs.CL] |
| （或 arXiv:2610.29606v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29606 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Ling Luo [查看邮箱]
[v1]
2026年10月21日星期三 11:45:35 UTC（988 KB）
来源：arXiv cs.CL · arxiv.org