ToRead：中文临床诊断标准化分阶段论文阅读计划
本清单服务于当前课题：strong baseline 下中文临床诊断标准化的 semantic boundary errors 与 equivalence discrimination。
阅读目标不是堆论文，而是按 Read Wide -> Deep Read -> Pilot 支撑阅读 -> Optional Watchlist 建立可执行的最小文献地基。第一轮先形成 mental model，第二轮再深读与课题成败直接相关的论文。
怎么读这份清单
每篇论文至少记录以下字段：
### <Paper Title>
- Research question:
- Dataset / benchmark:
- Baseline:
- Metric:
- Main result:
- Limitation:
- Relation to this project:
- To Understand:
阅读时特别关注三个问题：
- 它把 entity normalization / biomedical entity linking 建模成什么任务？
- 它的 evaluation 是否真的测到了 equivalence，而不只是 topical relevance？
- 它能否帮助判断 strong baseline 后的 boundary errors 是否稳定、可复核、可减少？
Phase 1：Read Wide
目标：快速建立领域地图，先读 abstract、introduction、figure / pipeline、experiment setup 和 conclusion，不追求完全读懂方法细节。
| Priority | Paper | Year | Link | Read for | Why it matters |
|---|---|---|---|---|---|
| High | CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark | 2021 | arXiv | 中文 biomedical benchmark、CHIP-CDN 任务定义、公开 baseline | 本课题的公开数据起点，用来界定中文临床诊断标准化的任务形式和可复现边界。 |
| High | BELB: a Biomedical Entity Linking Benchmark | 2023 | arXiv | benchmark 设计、统一数据格式、baseline 可比性 | 学习如何组织 biomedical entity linking benchmark，并理解不同实验设置不可直接比较的问题。 |
| High | BioSyn: Biomedical Entity Representations with Synonym Marginalization | 2020 | arXiv | 经典 biomedical entity normalization baseline、synonym marginalization | 补齐 ToRead_v2 缺失的经典 baseline，理解 synonym-based candidate selection 和 hard negative 生成思路。 |
| High | SapBERT: Self-alignment Pretraining for Biomedical Entity Representations | 2020 | arXiv | UMLS synonyms、metric learning、medical entity linking representation | 理解医学实体表示学习的经典 self-alignment 范式，作为 SapBERT-style 中文微调或对照的背景。 |
| High | BGE-M3: Multi-Lingual, Multi-Functionality, Multi-Granularity Text Embeddings | 2024 | arXiv | dense / sparse / multi-vector retrieval、多语言强 embedding | 候选召回阶段的重要强 baseline，可对照 BM25、Qwen Embedding 和医学领域模型。 |
| High | Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models | 2025 | arXiv | 中文与多语言 embedding / reranking、强通用检索基线 | 本课题必须面对的 strong baseline，用于检验 boundary-aware 方法是否仍有增益。 |
| High | Knowledge-injected Prompt Learning for Chinese Biomedical Entity Normalization | 2023 | arXiv | 中文 BEN、knowledge-injected prompt learning、few-shot / full-data setup | 最接近中文 BEN 的近邻工作，需要判断其是否真正解决 related-but-not-equivalent 的边界问题。 |
| High | CoRTEx: Contrastive Learning for Representing Terms via Explanations | 2023 | arXiv | LLM explanations、contrastive learning、hard negatives、term clustering | 解释增强与 hard negative 的关键近邻工作，必须避免把本课题写成中文 CoRTEx 复现。 |
| Medium | BioLORD: Learning Ontological Representations from Definitions | 2022 | arXiv | definitions、ontology descriptions、concept representation | 支撑候选 definitions / semantic descriptions 的价值分析。 |
| Medium | Biomedical Entity Linking as Multiple Choice Question Answering | 2024 | arXiv | candidate comparison、generator reranking、fine-grained entity choice | 与本课题的 equivalence discrimination 很接近，可启发“显式比较候选”的 reranking 设计。 |
| Medium | Learning from Negative Samples in Generative Biomedical Entity Linking / ANGEL | 2024 | arXiv | generative BioEL、negative samples、top-k prediction mining、preference optimization | 与 boundary-aware hard negatives 直接相关，用于判断负样本学习是否能减少相似但不等价候选错误。 |
| Medium | BeLink: Biomedical Entity Linking Meets Generative Re-Ranking | 2026 | arXiv | generative re-ranker、retrieve-and-rerank pipeline | 2026 预印本，结论需复核；用于理解 LLM / generative reranker 在 BEL pipeline 中的位置。 |
| Medium | SynCABEL: Synthetic Contextualized Augmentation for Biomedical Entity Linking | 2026 | arXiv | LLM synthetic examples、data efficiency、clinically valid predictions | 2026 预印本，结论需复核；用于参考 synthetic positives 和低标注 BEL 训练思路。 |
| Medium | BioELX: Cross-lingual Biomedical Entity Linking via Alias-based Retrieval and LLM Ranking | 2026 | arXiv | cross-lingual aliases、LLM ranking、low-resource BEL | 2026 预印本，结论需复核；用于判断跨语言 alias retrieval + LLM ranker 是否与中文低资源场景相关。 |
| Medium | MedPath: Multi-Domain Cross-Vocabulary Hierarchical Paths for Biomedical Entity Linking | 2025 | arXiv | hierarchical paths、semantic-rich evaluation、cross-vocabulary mapping | 与语义边界和上下位/粒度错误高度相关，适合启发 boundary taxonomy 和 evaluation design。 |
Phase 2：Deep Read
目标：挑选与课题主线最相关的论文做第一轮深读，重点抽取 problem-solution chain、核心实验、局限和可迁移到中文诊断标准化的设计。
| Priority | Paper | Deep-read focus | Output after reading |
|---|---|---|---|
| 1 | CBLUE | CHIP-CDN 的任务定义、数据形式、baseline、human ceiling、评价指标 | 写清楚 CHIP-CDN 能支撑什么结论，不能代表什么临床标准化场景。 |
| 2 | BELB | benchmark 设计、统一 schema、baseline 公平比较、跨实体类型评测 | 提炼本课题 boundary benchmark 的数据字段、baseline 对照和可复现原则。 |
| 3 | BioSyn + SapBERT | synonym alignment、candidate generation、metric learning、hard negative 来源 | 决定是否把 BioSyn / SapBERT-style retriever 放进 baseline 或背景实验。 |
| 4 | PL-Knowledge | 中文 BEN 的知识注入方式、few-shot / full-data 差异、baseline 强度 | 判断知识增强是否解决 equivalence discrimination，还是只提升普通匹配。 |
| 5 | CoRTEx | explanation generation、hard negative test set、contrastive objective、term clustering evaluation | 明确本课题与 CoRTEx 的边界：clinical diagnosis normalization、locked boundary set、strong baseline 后错误。 |
| 6 | ANGEL | negative sample construction、top-k prediction mining、generative BioEL 中的 DPO-style preference learning | 判断本课题的 boundary-aware hard negatives 应该作为训练主信号、对照实验，还是只作为错误分析工具。 |
| 7 | BioELQA | multiple-choice formulation、候选间显式比较、long-tail generalization | 评估是否可借鉴为 mention-candidate equivalence discrimination 或 reranker 输入格式。 |
| 8 | MedPath | hierarchical path、semantic-rich benchmark、semantically-blind metric 的问题 | 为上下位/粒度不一致、semantic type conflict 和 boundary-specific metric 提供参考。 |
Phase 3：Pilot 支撑阅读
目标：直接服务 0-8 周 go/no-go pilot。每读一篇，都要把结论转成实验或标注动作。
| Pilot question | Papers to use | What to extract | Decision supported |
|---|---|---|---|
| 如何构建公开 benchmark 起点？ | CBLUE, BELB | task setting、data split、metric、baseline reporting style | CHIP-CDN / CBLUE 是否足以作为最小公开复现基础。 |
| strong baseline 应该包括哪些？ | BM25 background, BGE-M3, Qwen3 Embedding, BioSyn, SapBERT | candidate generation、reranking setup、Recall@k / Accuracy / MRR | 0-8 周 baseline 表的最低配置。 |
| boundary error 如何采样？ | BELB, MedPath, CoRTEx | error type、hard negative set、semantic-rich annotation fields | development boundary set 和 locked boundary test set 的采样协议。 |
| definitions / semantic type 是否值得做？ | BioLORD, CoRTEx, PL-Knowledge | definition 来源、knowledge injection、人工审核风险 | minimal method 是否加入 candidate definitions 和 semantic types。 |
| LLM reranker 是否作为方法或上限？ | BioELQA, BeLink, BioELX, RPDR | candidate comparison、LLM ranker 输入输出、成本和稳定性 | 是否将 LLM ranker 作为 upper bound / analysis baseline，而非主方法。 |
| negative samples 应该如何进入训练？ | ANGEL, CoRTEx, BioSyn, kNN-BioEL | hard negative 来源、top-k mining、preference learning、dynamic negative sampling | 判断 boundary-aware hard negatives 是否作为 medium method 的核心机制。 |
| synthetic examples 是否值得做？ | SynCABEL, CoRTEx, RPDR, Enhancing data quality in MCN through LLMs | synthetic positives、hard negatives、生成数据过滤、重复样本和数据污染风险 | 是否在 medium method 中加入 synthetic positives，或只保留 boundary-aware hard negatives。 |
| LLM 生成数据如何质控？ | Enhancing data quality in MCN through LLMs | correctness、comprehensiveness、duplication、context-aware prompting、train/test contamination | 为 candidate definitions、synthetic positives 和人工审核比例制定质量控制原则。 |
Phase 4：Optional Watchlist
这些论文不要求立刻深读。只有当 pilot 发现对应问题时，再进入 deep read。
| Trigger | Paper | Year | Link | Why optional |
|---|---|---|---|---|
| 如果需要 LLM distillation 或本地部署方案 | Distilling Closed-Source LLM's Knowledge for Locally Stable and Economic Biomedical Entity Linking | 2025 | arXiv | RPDR 使用闭源 LLM 生成训练数据并微调开源 reranker，适合低资源和本地部署讨论。 |
| 如果 long-tail / retrieval-enhanced learning 成为核心问题 | Improving Biomedical Entity Linking with Retrieval-enhanced Learning | 2023 | arXiv | kNN-BioEL 关注 rare / difficult entities 和 dynamic hard negative sampling，可作为长尾增强参考。 |
| 如果需要 LLM concept normalization 的宽背景 | Generalizable and Scalable Multistage Biomedical Concept Normalization Leveraging Large Language Models | 2024 | arXiv | 讨论 LLM 与规则系统结合做 normalization，可作为 LLM 辅助标准化的背景材料。 |
| 如果 LLM 生成数据进入训练或评测 | Enhancing data quality in medical concept normalization through large language models | 2025 | ScienceDirect, DOI | 重点看 MCN 数据质量、correctness / comprehensiveness、重复样本、数据增强公平评测和人工审核流程。 |
| 如果跨语言或低资源成为主线 | BioELX, SynCABEL | 2026 | BioELX, SynCABEL | 两篇都是 2026 预印本，结论需复核；适合作为低资源 BEL 和 synthetic data 的新近参照。 |
| 如果 generative reranking 成为主方法候选 | BeLink, BioELQA, ANGEL | 2026 / 2024 | BeLink, BioELQA, ANGEL | 用于比较 generative reranker、multiple-choice QA、negative-sample learning 和普通 cross-encoder reranker 的取舍。 |
推荐阅读顺序
Week 1：建立任务和 benchmark mental model
- CBLUE
- BELB
- BioSyn
- SapBERT
产出：
- 一页任务定义笔记。
- 一张 dataset / benchmark / metric 表。
- 一张 candidate generation 和 reranking baseline 表。
Week 2：建立 strong baseline 和中文近邻工作边界
- BGE-M3
- Qwen3 Embedding
- PL-Knowledge
- BioLORD
产出：
- strong baseline 最小实验清单。
- 中文 BEN 近邻工作总结。
- definitions / semantic types 是否值得加入 minimal method 的判断。
Week 3：建立 boundary-aware method 和防撞边界
- CoRTEx
- ANGEL
- BioELQA
- MedPath
- BeLink / SynCABEL / BioELX 只读 abstract + experiment setup
- Enhancing data quality in MCN through LLMs 只读 abstract + method / data-quality sections
产出：
- semantic boundary taxonomy 初稿。
- hard negative construction 初稿。
- 与 explanation-enhanced / negative-sample learning / LLM-reranking / synthetic BEL 工作的区别表。
- LLM 生成数据质量控制和防数据污染检查清单。
To Understand List
| Priority | Item | Type | Why it matters | Status |
|---|---|---|---|---|
| High | CHIP-CDN / CBLUE diagnosis normalization setup | dataset | 决定公开 benchmark 能否支撑主实验。 | todo |
| High | Recall@k, MRR, Accuracy, Boundary Accuracy | metric | 区分 overall normalization 能力和 boundary-specific 能力。 | todo |
| High | Synonym marginalization | method | BioSyn 的核心机制，影响 classic baseline 理解。 | todo |
| High | Metric learning / self-alignment | method | SapBERT 和 synonym-based representation 的基础。 | todo |
| High | Hard negative mining | method | 本课题 boundary-aware training 的关键机制。 | todo |
| High | Equivalence discrimination vs relevance ranking | concept | 课题主线，必须贯穿阅读和实验设计。 | todo |
| High | Negative-sample learning in generative BioEL | method | ANGEL 直接支撑“从相似但不等价候选中学习”的方法设计。 | todo |
| Medium | Definition-enhanced representation | method | 判断 BioLORD / CoRTEx 类方法与 candidate definition 的关系。 | todo |
| Medium | Semantic type conflict | concept | boundary taxonomy 中最可能稳定标注的类别之一。 | todo |
| Medium | Hierarchical path / granularity mismatch | concept | 对上下位和粒度不一致错误很关键。 | todo |
| Medium | Generative reranking / multiple-choice BioEL | method | 判断 LLM reranker 是主方法、对照还是上限分析。 | todo |
| Medium | Synthetic contextualized augmentation | method | 判断是否需要 synthetic positives，或只做 boundary-aware hard negatives。 | todo |
| Medium | LLM-generated data quality | data quality | 影响 synthetic examples、candidate definitions 和 locked evaluation 的可信度。 | todo |
当前判断
第一阶段不要急着深挖所有 LLM-BEL 新论文。更稳的顺序是：
- 先用 CBLUE、BELB、BioSyn、SapBERT 建立任务和经典 baseline。
- 再用 BGE-M3、Qwen3 Embedding、PL-Knowledge 建立 strong baseline 和中文近邻工作边界。
- 最后用 CoRTEx、ANGEL、BioELQA、MedPath、BeLink、SynCABEL、BioELX 检查方法 novelty 和 evaluation novelty。
如果 0-8 周 pilot 证明 strong baseline 后没有稳定 boundary errors，应停止扩大 LLM / synthetic data 阅读，转向候选库覆盖率、拒识或数据质量分析。