噪声中的信号：生物医学文本分类的可审计可靠性层

arXiv:2608.28595v1 公告类型：新 摘要：生物医学 NLP 管道通常以干净的输入文本为前提，但通过自动 PDF 解析组装的大规模语料库却存在普遍的类似 OCR 的伪影、标记拆分和合并、连字符残留和字符级损坏，这些会系统性地侵蚀词汇证据并降低下游分类器的性能。我们引入了一个保守的、完全可审计的拼写校正可靠性层，被认为是一个面向安全的预处理模块，而不是一个最大精度的校正器：在不确定的情况下，系统根据医学无害哲学放弃编辑。确定性架构将有界编辑距离候选生成与语料库衍生的 n-gram 评分以及一套保护领域关键术语的生物医学安全门结合起来。我们在内部评估该层，基于 2,104 个令牌级案例的手动策划基准，以及外部评估，基于三级 CORD-19 主题分类器（预防、治疗、流行病学），涵盖原则性四运行协议（清洁、嘈杂、恢复、安全）下的 10,000 个示例。从本质上讲，该层对合成错误的错误修复召回率达到 94.61%，对阴性对照的有害编辑为零。在下游，它恢复了大约 80.45% 的噪声引起的宏 F1 退化，将宏 F1 从 0.7654（噪声）提升到 0.7717（恢复），同时保持接近干净的性能（安全性：0.7721）。对 103 个使用 BioBERT 分类的现实世界 OCR 提取摘要进行的补充案例研究证实，变压器编码器对于轻微噪声似乎相对稳健，激发了未来的灰盒架构，该架构集成有界神经信号和 UMLS 词典，而不影响可审核性。该系统是完全确定性的、工件驱动的，并且在设计时考虑了部署和可审计性。