基于神经状态转移的疾病命名实体识别与标准化联合模型

基于摘要分析。本文研究生物医学文本中的疾病命名实体识别及其到标准化疾病词表的映射，提出神经状态转移联合模型，将两个子任务转化为动作序列预测，并通过统一输出搜索缓解实体边界不一致问题。 核心机制：摘要指出，既有多任务学习联合模型虽然共享输入表示，但分别解码两个子任务，仍可能产生边界不一致。本文不仅共享输入表示进行联合学习，还通过状态转移在同一搜索空间内联合寻找输出，将识别与标准化的决策联系起来。此外，模型引入注意力机制，利用词表中各候选概念的文本表述辅助标准化，而非忽略这些候选概念信息。具体动作集合、状态表示、注意力计算、训练目标及搜索算法尚未验证。 实验与证据：作者报告在两个公开数据集上的实验支持所提方法的有效性。摘要未提供数据集名称、划分方式、评价指标、具体分数或对照结果，因此不能据此量化收益，也不能将背景中关于既有模型的最先进性能描述归于本文模型。实验协议、消融及统计信息尚未验证；代码与复现条件也尚未确认。 研究范围：本文主要对象是疾病文本实体及标准词表映射，不是神经信号解码。来源栏目中的 State space models 不应被当作本文属于现代状态空间序列模型的证据；摘要所述状态转移服务于结构化输出搜索。现有材料没有给出与 EEG/BCI 瓶颈的具体对应关系，因此不提出跨领域迁移或复现实验建议。