图增强生物医学实体表示 Transformer

基于摘要分析。本文研究医学概念归一化（MCN）中的生物医学实体表示，提出 Graph-Enriched Biomedical Entity Representation Transformer（GEBERT），将 UMLS 概念图的结构信息融入语言模型的文本表示，以补充主要依赖同义概念名称进行对比学习的方法。 机制上，GEBERT 使用图神经网络聚合概念节点及局部邻居的信息，并引入额外的基于图的节点级对比目标；通过概念节点表示与语言模型生成的对应文本嵌入之间的对比学习，促进文本与结构两种模态共享知识。作者探索了 GraphSAGE 和 GAT 两类图架构。摘要未给出图关系的处理方式、正负样本构造、损失权重及训练阶段安排，这些细节尚未验证。 作者报告，在经过任务特定监督后，GEBERT 在五个英语 MCN 数据集上取得当时最先进的结果。摘要未列出数据集名称、具体指标、数值、划分与对照配置，因此尚不能评估提升幅度或区分图信息、额外目标与任务监督各自的贡献；实验协议、消融及统计信息尚未验证。 该方法依赖具有明确概念节点、关系及文本名称的知识图谱，原研究对象是医学文本实体，而非 EEG 信号或 BCI 解码。材料未提供将此类概念图与神经信号对应的具体机制，因此不将其扩写为已验证的 BCI 方法或直接给出迁移实验方案；相关 EEG 工作尚未检索确认。