@inproceedings{Gerardin-Vaillant-Wajsburt-Gilavert-Bellamine-Kempf-Tannier:DEFT:2021,
    author = {G\'erardin, Christel and Vaillant, Pascal and Wajsb\"urt, Perceval and Gilavert, Cl\'ement and Bellamine, Ali and Kempf, Emmanuelle and Tannier, Xavier},
    title = "Classification multilabel de concepts m\'edicaux pour l'identification du profil clinique du patient",
    booktitle = "Actes de l'atelier D\'efi Fouille de Textes@TALN 2020  Classification de cas cliniques et correction automatique de copies d'\'etudiants. Atelier D\'Efi Fouille de Textes",
    month = "6",
    year = "2021",
    address = "Lille, France",
    publisher = "Association pour le Traitement Automatique des Langues",
    pages = "21-30",
    note = "Multilabel classification of medical concepts for patient's clinical profile identification ",
    abstract = "La premi\`ere t\^ache du D\'efi fouille de textes 2021 a consist\'e \`a extraire automatiquement, \`a partir de cas cliniques, les ph\'enotypes pathologiques des patients regroup\'es par t\^ete de chapitre du MeSH-maladie. La solution pr\'esent\'ee est celle d'un classifieur multilabel bas\'e sur un transformer. Deux transformers ont \'et\'e utilis\'es : le camembert-large classique (run 1) et le camembert-large fine-tun\'e (run 2) sur des articles biom\'edicaux fran\c{c}ais en acc\`es libre. Nous avons \'egalement propos\'e un mod\`ele {\guillemotleft} bout-enbout {\guillemotright}, avec une premi\`ere phase d'extraction d'entit\'es nomm\'ees \'egalement bas\'ee sur un transformer de type camembert-large et un classifieur de genre sur un mod\`ele Adaboost. Nous obtenons un tr\`es bon rappel et une pr\'ecision correcte, pour une F1-mesure autour de 0,77 pour les trois runs. La performance du mod\`ele {\guillemotleft} bout-en-bout {\guillemotright} est similaire aux autres m\'ethodes.",
    keywords = "classification multilabel, Transformer, extraction d'entit\'es nomm\'ees, concepts  m\'edicaux.",
    url = "http://talnarchives.atala.org/ateliers/2021/DEFT/68.pdf"
}