Acceso usuarios
, Aitziber Atutxa Salazar, Koldobika Gojenola Galletebeitia
Este artículo investiga el uso de métodos basados en Inferencia del Lenguaje Natural (NLI) para la extracción de relaciones temporales en textos clínicos (CTRE), abordando desafíos como la escasez de datos, el desequilibrio de las etiquetas y la complejidad específica del dominio. Al reformular la tarea como un problema de NLI, el enfoque reduce los requisitos de anotación y mejora la generalización entre conjuntos de datos. Los experimentos con los corpus THYME y E3C muestran que los modelos basados en NLI superan a los clasificadores tradicionales en entornos de bajos recursos, lo que demuestra una fuerte transferibilidad y robustez frente al desequilibrio de clases, lo que los convierte en una solución eficaz para CTRE en narrativas clínicas.
This paper investigates the use of entailment-based methods for Clinical Temporal Relation Extraction (CTRE), addressing challenges such as data scarcity, label imbalance, and domain-specific complexity. By reframing the task as a Natural Language Inference (NLI) problem, the approach reduces annotation requirements and improves generalization across datasets. Experiments with the THYME and E3C corpora show that NLI-based models outperform traditional classifiers in lowresource settings, demonstrating strong transferability and resilience to class imbalance, making them an effective solution for CTRE in clinical narratives.
