在循证医学的发展与实践中,临床医生需要研读大量临床试验文献,汲取其中的最新临床证据,作为医疗决策的参考依据。人工撰写的系统综述是可靠的临床证据来源,但是具有小规模、滞后等局限性,因此临床证据的自动抽取成为一个重要的课题。在以临床试验文献全文作为语料库的临床证据抽取任务中,由于医学文献专业性强、细分领域多、标注代价高昂,目前仍缺乏公开的、多医学领域的训练语料或数据集,导致无法构建通用的临床证据抽取模型。即使采用远监督等方法进行自动化标注,生成的数据集中也含有大量误标注的样本,这种数据集被称为嘈杂数据集,其中的标签噪声会影响模型的最终表现。基于以上研究背景,本文提出了基于远监督的临床证据抽取方法,主要研究内容如下:（1）提出了基于远监督的临床证据自动标注方法。采用基于文本相似度的远监督方法,面向权威的临床证据框架——PICO框架,进行临床证据自动化标注。提出了ROUGE-Hybrid算法进行文本相似度的计算,通过对比实验,验证了该算法的有效性,最终构建了PICO-DS数据集。（2）提出了面向嘈杂数据集的临床证据抽取方法——Aceso-DS模型。由于（1）中构建的PICO-DS数据集含有“噪声”,即误标注的样本,所以Aceso-DS模型引入损失权重网络,通过适应性地学习元数据集的信息,降低误标注样本的权重,减轻其带来的影响;引入小规模人工标注的样本,采用主动学习方法提升标注效率。最终,通过消融实验和对比实验,验证了Aceso-DS模型的有效性。（3）设计并实现了临床证据抽取工具Aceso-Reviewer。使用该工具,用户可以上传临床试验文献,并获取文献中的基本信息与临床证据。综上所述,本文采用基于文本相似度的远监督方法,生成了涵盖多个医学领域的临床证据数据集;构建了基于PICO框架的临床证据抽取模型;最终设计并实现了临床证据抽取工具。