아토피 피부염 관련 의료 명명 개체 인식에서 설명 기반 학습을 통한 안정성 및 경계 인식 성능 향상

Explanation-Guided Medical Named Entity Recognition with Stability and Boundary Awareness for Atopic Dermatitis

목표: 본 연구는 중국어 아토피 피부염(AD) 임상 문헌에서의 의료 명명 개체 인식(NER)의 신뢰성과 견고성을 향상시키기 위해 설명 기반 학습 방법을 적용한다. 방법: 우리는 안정성 및 경계 인식을 고려한 설명 기반 NER 프레임워크를 제안한다. 교란 기반 분석을 사용하여 설명의 안정성과 개체 경계 민감도를 평가한다. 적응적 융합 전략은 로컬 및 글로벌 설명을 동적으로 결합하여 보다 신뢰할 수 있는 토큰 수준의 설명을 생성한다. 융합된 설명 신호는 안정성, 경계 인식 및 일관성 제약을 통해 모델 학습에 추가로 통합된다. 결과: 중국어 AD NER 데이터 세트에 대한 실험에서 제안된 프레임워크가 설명의 견고성을 향상시키고 여러 NER 모델에서 일관된 성능 향상을 달성함을 보여준다. 또한 적응적 융합 전략은 개별 설명 방법보다 더 안정적인 설명을 제공하고 경계 인지 능력이 뛰어나다. 결론: 제안된 방법은 신뢰할 수 있는 설명 신호를 의료 NER 학습에 효과적으로 통합하여 인식 성능과 설명 신뢰성을 모두 향상시킨다. 이 프레임워크는 설명 가능한 의료 NER을 위한 실용적이고 일반화 가능한 솔루션을 제공하며, 임상 의사 결정 및 의료 지식 활용에 대한 안정적인 지원을 제공한다.

Objective: This study aims to improve the reliability and robustness of medical named entity recognition (NER) in Chinese atopic dermatitis (AD) clinical texts through explanation-guided learning. Methods: We propose a stability and boundary-aware explanation-guided NER framework. Perturbation-based analysis is used to evaluate explanation stability and entity boundary sensitivity. An adaptive fusion strategy dynamically combines local and global explanation to generate more reliable token-level explanations. The fused explanation signals are further incorporated into model training through stability, boundary-aware, and consistency constraints. Results: Experiments on Chinese AD NER datasets show that the proposed framework improves explanation robustness and achieves consistent performance gains across multiple NER models. The adaptive fusion strategy also provides more stable explanations and stronger boundary perception than individual explanation methods. Conclusion: The proposed method effectively integrates reliable explanation signals into medical NER training, improving both recognition performance and explanation reliability. The framework provides a practical and generalizable solution for explainable medical NER and offers reliable support for downstream clinical decision-making and medical knowledge applications.