brat数据标注：从入门到实战的技术解析与避坑指南

1次阅读

共计 1267 个字符，预计需要花费 4 分钟才能阅读完成。

药物相互作用研究 ：某团队标注抗抑郁药副作用时，因未统一 ” 头晕 ” 和 ” 眩晕 ” 的标注标准，导致模型 F1 值相差 22%。后期清洗数据花费了原标注时间的三倍。
基因突变识别 ：标注员将 ”c.517G>A” 分别标记为单个突变和 ”G>A” 点突变，使深度学习模型在临床测试中出现 43% 的假阴性。

pie
    title 生物医学文本标注工具使用率
    "brat" : 68
    "Prodigy" : 25
    "Label Studio" : 7

brat 优势 ：
原生支持 standoff 格式
可视化实体重叠关系
零成本开源方案
Prodigy 劣势 ：
年费 $490 起
需要额外适配生物医学 NER 模板

graph LR
    A[原始文本] --> B[字符级偏移]
    B --> C[独立.ann 文件]
    C --> D[避免 XML 嵌套问题]

# 实体定义示例
[entities]
Gene
Protein
# 必须大写开头

import requests
from typing import Dict, Any

def get_brat_annotations(doc_id: str) -> Dict[str, Any]:
    """获取 brat 标注数据"""
    try:
        res = requests.get(f"http://localhost:8001/{doc_id}.ann",
            timeout=5,
            headers={"Accept": "application/json"}
        )
        res.raise_for_status()
        return res.json()
    except requests.exceptions.RequestException as e:
        print(f"API 请求失败: {str(e)}")
        return {}

内存管理 ：
使用 mmap 加载大文本
每 5000 字符自动分块
版本控制 ：
Git LFS 管理.ann 文件
基于时间戳的合并策略

实体嵌套 ：
错误：将 ”EGFR 基因突变 ” 同时标注为 Gene 和 Mutation
正确：建立 ”Gene->Mutation” 继承关系
关系歧义 ：
明确 ” 抑制剂 - 靶点 ” 与 ” 激活剂 - 靶点 ” 区别
添加否定关系标签
offset 对齐 ：
BERT 分词器导致的偏移问题

解决方案：

from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
char_to_token = tokenizer("EGFR L858R", return_offsets_mapping=True)