Présentation d'un Ensemble de Données Complet d'Abrégés Biomédicaux Structurés

Les résumés structurés sont essentiels dans le domaine de la littérature biomédicale, car ils améliorent l'efficacité de la récupération d'informations, de l'extraction de texte et de la synthèse des connaissances. Malgré leur importance, un grand nombre de résumés dans la base de données PubMed restent non structurés, ce qui pose des défis pour diverses applications de traitement de texte. Pour remédier à ce problème, nous présentons Structured PubMed, un ensemble de données robuste contenant des résumés biomédicaux étiquetés par sections, dérivés de l'ensemble du répertoire PubMed, qui comprend plus de 23,2 millions d'articles de recherche. L'ensemble de données est divisé en deux groupes principaux : l'un présentant 5,9 millions de résumés organisés par les auteurs à partir de fichiers XML officiels, et l'autre comprenant 17,2 millions de résumés initialement non structurés mais systématiquement étiquetés à l'aide d'un modèle de langage. Chaque entrée suit un format standardisé à cinq sections et est liée à son identifiant PubMed, type de publication et date. Cet ensemble de données étendu est conçu pour faciliter l'entraînement de modèles de classification de phrases, évaluer des systèmes de segmentation de texte et permettre l'extraction d'informations à grande échelle, spécifique aux sections, dans l'ensemble de la base de données PubMed.