arXiv cs.AI· Linh Uyen Le, Ho Dinh Tri, Christian Hoang, Huy Hoang Ha·· 9 天前AI 评分27
Meddies-PII：面向临床去标识化的多语言 PII 抽取框架
Meddies-PII: A Multilingual Framework for Personally Identifiable Information Extraction in Clinical De-identification
AI 导读
Meddies-PII-Dataset 是一个覆盖 17 种语言、9 类 PII 标签的百万级合成临床文档语料，通过属性条件提示词生成，并经 13 道确定性校验门控保证结构与标注一致性。
正文 · AI 翻译
摘要：临床去标识化依赖于准确识别个人可识别信息（PII）。然而，人工标注数据集的构建成本高昂，而现有的合成替代方案往往对其生成过程提供的细节有限，或依赖于相对简单的合成策略。我们介绍了 Meddies-PII-Dataset，一个包含一百万份合成临床文档的语料库，涵盖十七种语言和九种 PII 标签。这些文档使用属性条件提示生成，并通过十三个确定性门控进行验证，以确保结构和标注的一致性。为了评估该数据集的实用性，我们训练了 Meddies-PII-Model，一个 BIOES 标记分类器，并使用精确匹配的实体级 F1 将其与现有的 PII 提取系统进行比较。在所有报告的基准测试中，Meddies-PII-Model 在所评估的系统中取得了最高性能，在十五个外部基准测试上的平均 F1 为 0.827，而最强基线为 0.658。论文被接收后，我们将公开发布数据集、基准测试套件、模型、生成框架和评估代码，以支持多语言临床去标识化研究。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.12544 [cs.CL] |
| （或 arXiv:2609.12544v2 [cs.CL] 为此版本） | |
| https://doi.org/10.48550/arXiv.2609.12544 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Christian Hoang [查看电子邮件]
[v1]
2026年9月11日星期五 07:53:52 UTC（1,581 KB）
[v2]
2026年10月8日星期四 13:00:49 UTC（1,581 KB）
来源：arXiv cs.AI · arxiv.org