检索结果-内蒙古大学图书馆

数据分析与知识发现 2023年第3期7卷 142-154页

作者：裴伟孙水发李小龙鲁际杨柳吴义熔湖北省水电工程智能视觉监测重点实验室宜昌443002 智慧医疗宜昌市重点实验室宜昌443002 三峡大学计算机与信息学院宜昌443002 三峡大学经济与管理学院宜昌443002 北京师范大学心理学部珠海519087 北京师范大学人文和社会科学高等研究院珠海519087

【目的】构建融合医学领域知识的图神经网络结构模型GraphModel-Dict,针对医学文本进行命名实体识别研究。【方法】首先,采用图结构方式对领域知识进行融合,将原始文本数据与领域词典作为不同类别的节点进行构图,利用门控循环单元进行... 详细信息

【目的】构建融合医学领域知识的图神经网络结构模型GraphModel-Dict,针对医学文本进行命名实体识别研究。【方法】首先,采用图结构方式对领域知识进行融合,将原始文本数据与领域词典作为不同类别的节点进行构图,利用门控循环单元进行节点更新,以得到结合领域知识的原始文本数据节点语义表示;其次,将文本数据节点的最终表示作为双向长短期记忆网络的输入;然后,通过条件随机场预测标签并输出识别序列;最后,使用两个数据集评估模型的性能。【结果】在人工标注的3100份中文乳腺癌超声检查报告数据集上,GraphModel-Dict模型的实体识别的精确率、召回率和F1值达到96.91%、97.52%以及97.22%。另外,在对每类实体的识别效果评估中,针对提取样本数据稀少或表达形式多样化的实体类型,GraphModel-Dict模型表现出更优的识别性能。在CCKS2020医疗数据集上进行性能评估实验,与基线模型相比,GraphModelDict模型的F1值至少提高了1.39%。【局限】GraphModel-Dict模型的实验只在医疗数据集上展开,在其他领域的有效性需进一步研究。【结论】领域知识的有效使用能够提高其在命名实体识别中的作用,为促进医学信息挖掘和临床研究提供了潜力。

关键词：医学命名实体识别图神经网络领域知识词典乳腺癌超声检查报告

来源：评论

学校读者我要写书评

暂无评论

基于自注意力机制与词汇增强的中文医学命名实体识别

引用

计算机应用 2024年第2期44卷 385-392页

作者：罗歆然李天瑞贾真西南交通大学计算机与人工智能学院成都611756

针对中文医学文本实体嵌套导致的单词边界识别困难问题以及现有栅格结构集成词汇特征所面临的语义信息损失严重的情况,提出一种用于中文医学命名实体识别(MNER)的自适应词汇信息增强模型。首先,利用双向长短期记忆(BiLSTM)网络编码字符... 详细信息

针对中文医学文本实体嵌套导致的单词边界识别困难问题以及现有栅格结构集成词汇特征所面临的语义信息损失严重的情况,提出一种用于中文医学命名实体识别(MNER)的自适应词汇信息增强模型。首先,利用双向长短期记忆(BiLSTM)网络编码字符序列的上下文信息并捕捉较长距离的依赖关系;然后,对字符序列中每个字符的潜在单词信息进行字词对建模,采用自注意力机制实现不同单词之间的内部交互;最后,通过基于双线性注意力机制的词汇适配器将词汇信息集成到文本序列中的每个字符中,有效增强语义信息的同时充分利用单词丰富的边界信息,并抑制相关性低的单词。实验结果表明,所提模型与基于字符的基线模型相比,平均F1值分别提升了1.37~2.38个百分点,并在结合BERT后取得了最优的效果。

关键词：医学命名实体识别中文医学文本词汇适配器自注意力机制双向长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的中文医学命名实体识别方法研究

基于深度学习的中文医学命名实体识别方法研究

引用

作者：周文博兰州理工大学

学位级别：硕士

随着我国医学信息化建设的深入推进以及信息技术的快速发展,临床电子病历和医学专业文献的中文医学文本数据迅速增多,成为推动我国医学进步的重要资源。作为医学数据挖掘的核心技术,中文医学命名实体识别在医学关系提取、医学知识图谱... 详细信息

随着我国医学信息化建设的深入推进以及信息技术的快速发展,临床电子病历和医学专业文献的中文医学文本数据迅速增多,成为推动我国医学进步的重要资源。作为医学数据挖掘的核心技术,中文医学命名实体识别在医学关系提取、医学知识图谱构建等下游任务具有关键作用。预训练模型的出现显著提高了开放领域的命名实体识别模型性能。医学文本中语义关系更为复杂,特别是在中文病历文本中,医学名词长度较长、书写不规范等增加了识别难度。此外,中文表达方式复杂且医学领域专业性强,导致中文医学命名实体识别面临实体跨度长、嵌套现象普遍、实体专业性强等问题。因此,开放领域的命名实体识别模型难以直接应用于医疗领域。为了解决这些问题,提高中文医学命名实体识别的准确度,推动我国医学信息化的进一步发展,本文将主要研究以下内容: (1)本文针对中文医学命名实体识别中嵌套实体识别不充分的问题提出了一种基于跨度和卷积网络的中文医学命名实体识别方法。以基于跨度的方法为基础,结合卷积神经网络。首先,使用预训练模型BERT提取中文医学文本的字符级特征,获得实体的上下文信息。然后,使用基于跨度的方法来计算每个实体片段的得分,其中每个实体片段表示一个特定类型的候选实体,获得实体片段的打分矩阵。接着使用卷积神经网络对打分矩阵进行处理得到实体间的关系信息。最后根据实体片段的具体分数来确定文本的某个子序列是否是某一类型的实体。 (2)本文针对基于跨度识别医学文本中的嵌套实体时对跨段内部信息关注不足的问题提出了一个能够提取文本中的长短期信息多级卷积神经网络。在基于跨度的方法中,使用边界信息对实体进行分类的方法仅仅只使用了实体的首尾信息,并没有利用更多的文本上下文信息,这在一定程度上限制了模型的性能。我们通过将多级卷积神经网络提取的特征信息和双仿射网络获取的信息融合能够使模型获取更多语义信息,提升了模型的表现。 (3)本文针对中文医学命名实体识别中复杂实体识别不充分的问题提出了一种基于大模型微调的中文医学命名实体识别方法。首先创建一个由合适的模板组成的数据集,这些模板能够覆盖中文医学领域的各种实体类型和复杂情况。选择大模型根据中文医学领域的特性对其进行了微调。这种方法结合了大模型的强大语言理解能力和微调技术的灵活性,为提升中文医学命名实体识别的性能提供了新的可能。

关键词：医学命名实体识别嵌套实体识别跨度大语言模型注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于大语言模型的小样本医学命名实体识别方法研究

引用

中国卫生信息管理杂志 2024年第6期21卷 902-908,914页

作者：赵从朴朱卫国赵飞郭安辉中国医学科学院北京协和医院北京市100730 国家卫生健康委统计信息中心北京市100810

目的利用大语言模型实现小样本医学命名实体识别。方法将医学命名实体识别任务转换为文本生成任务,构造医学命名实体识别特定的提示模板;利用大语言模型在文本生成的过程中生成医学实体的标签序列,从医学文本语料中检索少量相似标注数... 详细信息

目的利用大语言模型实现小样本医学命名实体识别。方法将医学命名实体识别任务转换为文本生成任务,构造医学命名实体识别特定的提示模板;利用大语言模型在文本生成的过程中生成医学实体的标签序列,从医学文本语料中检索少量相似标注数据作为示例,结合语境学习,从而实现小样本场景下的医学命名实体识别。结果实验结果显示,采用本方法准确率、召回率和F1值分别达到了50.54%、47.12%和48.77%,均显著优于传统的机器学习算法和深度学习算法;合理使用多条样本作为示例可以进一步提升模型预测性能。结论本文提出的方法不仅不需要对模型进行参数更新,而且几乎不依赖于数据标注,提升了方法的泛化能力。

关键词：大语言模型医学命名实体识别小样本

来源：评论

学校读者我要写书评

暂无评论

融合多级别特征的医学命名实体识别研究

融合多级别特征的医学命名实体识别研究

引用

作者：甘晨阳重庆工商大学

学位级别：硕士

随着互联网技术的快速发展,计算机技术在医疗领域的应用越来越受到学术界的重视。作为人口大国,我国拥有丰富的医疗资源,同时也产生了大量的医学文本数据。如何将这些医学文本数据与先进的计算机技术相结合,以提高医疗领域信息化水平和... 详细信息

随着互联网技术的快速发展,计算机技术在医疗领域的应用越来越受到学术界的重视。作为人口大国,我国拥有丰富的医疗资源,同时也产生了大量的医学文本数据。如何将这些医学文本数据与先进的计算机技术相结合,以提高医疗领域信息化水平和提升医学知识查询效率成为研究的重点。因此将自然语言处理中的命名实体识别任务应用到医学领域,显得顺理成章。通过利用命名实体识别技术提取医疗文本实体,可以建立医疗相关知识图谱,从而可以更快速的梳理复杂医学知识的脉络。为了进一步提高医学实体识别的准确率,本文开展了命名实体识别方法的研究,并从提升医学领域实体识别的精确率、缩短模型的训练时间、提升医学嵌套实体识别的精确率这三个方面进行了研究,具体研究内容为:(1)针对医学领域命名实体识别的准确率较低的问题,本文提出一种新的词嵌入表示方法。首先,通过简单循环神经网络训练医学文本得到字符级向量表示。然后使用GloVe模型获取医学文本的词级向量表示;最后,使用预训练模型BERT动态生成医学文本的向量表示,并将三种向量表示拼接起来。实验结果表明,相比传统的Word2vec词向量表示,本文提出的融合多级别特征的词嵌入模型在GENIA和NCBI-disease两个数据集上精确率、召回率和F1值均得到了提升。(2)针对命名实体识别模型训练时间过长的问题,提出一种新的门控循环单元结合GlobalPointer的医学命名实体识别模型。相比LSTM,门控循环网络在单个神经元上优化了内部门控结构。相比于条件随机场,GlobalPointer对上下文更加具有全局观,避免了条件随机场的复杂递归运算。这两处改进从整体上缩短了命名实体识别模型的训练时间。在GENIA数据集和NCBI-disease上,本文方法将模型的训练时间缩短了22%到30%。同时也研究了ROPE位置编码对GlobalPointer模型的影响,实验结果表明,加入ROPE位置编码后可以将GlobalPointer模型的性能平均提升9.41%。(3)针对医学命名实体识别中嵌套实体识别难度大,识别精度低的问题,提出了一种基于分层双向门控循环单元网络和文本卷积神经网络的模型。首先,使用文本卷积神经网络获取文本的局部特征,以弥补门控循环网络对于局部特征的提取能力不足。其次,使用门控循环网络进行分层叠加,每一层网络对应处理一层嵌套关系,以提高嵌套实体的识别精度。实验结果表明,在GENIA数据集、ACE2005数据集和BC2GM数据集上本文提出的模型均取得了较高的精度。

关键词：医学命名实体识别多级别特征融合 GlobalPointer 嵌套实体 BERT

来源：评论

学校读者我要写书评

暂无评论

基于改进布谷鸟算法的BiLSTM-CRF优化策略及其在医学命名实体识别中的应用

基于改进布谷鸟算法的BiLSTM-CRF优化策略及其在医学命名实体识别...

引用

作者：李鹏程吉首大学

学位级别：硕士

随着我国医疗信息化进程的不断推进,医疗信息系统积累了海量的医疗数据。这些医疗数据对开展医学领域研究以及医疗实践都具有重要作用。然而,大部分医疗数据都存储在非结构化的文本中,难以直接利用和分析。因此,如何将这些非结构化的医... 详细信息

随着我国医疗信息化进程的不断推进,医疗信息系统积累了海量的医疗数据。这些医疗数据对开展医学领域研究以及医疗实践都具有重要作用。然而,大部分医疗数据都存储在非结构化的文本中,难以直接利用和分析。因此,如何将这些非结构化的医学文本转变为结构化的信息,从而进行充分的挖掘与利用,使其能够更好的支持临床决策辅助诊断和医学知识图谱成为了研究的关键。医学命名实体识别能够从非结构化医学文本中识别和分类医学实体,为医学数据的结构化表示奠定基础。过去几年,为了提升命名实体识别的准确率,学者们构建了一系列复杂的深度学习模型,取得了不错的效果。然而,深度学习模型的性能会受到模型的超参数和架构的影响,针对模型的优化也变得越来越重要。智能优化算法作为一类高效优化算法,利用智能优化算法优化深度学习模型的超参数已成为研究热点之一。布谷鸟搜索算法(Cuckoo Search,CS)作为一种新型的群智能优化算法,具有实现简单、参数少、寻优能力强、在复杂优化问题中效果较好等特点,具备应用于深度学习模型的超参数优化潜力。因此,为了提高医学命名实体识别的准确率,同时拓宽布谷鸟搜索算法的应用领域,本文构建了一种基于改进布谷鸟搜索算法优化BiLSTM-CRF的模型,将其应用到医学命名实体识别任务中,验证改进布谷鸟搜索算法在模型超参数优化上的有效性与优越性。本文的主要工作内容分为以下两部分:首先针对布谷鸟搜索算法收敛速度慢、全局搜索效率低等问题。本文提出了一种融合精英反向学习和黄金正弦算子的改进布谷鸟搜索算法(Improved Cuckoo Search Algorithm,ICS)。改进布谷鸟搜索算法通过引入精英反向学习机制,丰富种群多样性,避免算法迭代后期陷入局部最优,从而提升算法的全局搜索能力。另外黄金正弦算子的加入能够促进种群中一般个体与最优个体之间的信息交流,使得一般个体能够充分吸收与最优个体的位置差信息,加快算法的收敛速度。在14种基准测试函数上的实验结果表明,ICS算法相比另外四种不同的CS算法以及三种经典的群智能算法具有更好的全局搜索能力和更快的收敛速度。实验统计结果分析表明ICS算法的性能更优。其次针对BiLSTM-CRF模型中的关键参数设定过度依赖经验知识,影响模型的拟合能力等问题。本文使用改进的布谷鸟搜索算法优化BiLSTM-CRF模型中的超参数,从而构建识别效果更好的医学命名实体识别模型。实验结果表明,经过ICS优化后的BiLSTM-CRF模型相比不经过优化的模型在医学命名实体识别数据集中的大多数评估指标均得到了一定程度的提升,医学实体的识别效果更好。另外通过对比布谷鸟搜索算法、遗传算法和粒子群算法优化超参数后的BiLSTM-CRF模型的医学实体识别效果发现,使用ICS优化超参数后的模型的识别效果更好,进一步说明了改进布谷鸟搜索算法在BiLSTM-CRF模型超参数优化中的有效性与优越性。

关键词：布谷鸟搜索算法超参数优化医学命名实体识别 BiLSTM-CRF

来源：评论

学校读者我要写书评

暂无评论

基于机器阅读理解的中文医学命名实体识别研究

基于机器阅读理解的中文医学命名实体识别研究

引用

作者：杜晓静郑州大学

学位级别：硕士

医学命名实体识别是医学信息抽取的基础任务，对医学知识图谱构建、医学问答系统等应用有重要意义。医学命名实体中的嵌套实体、长实体和多义实体等问题给医学命名实体识别带来了挑战。本文面向医学命名实体识别任务，对医学领域实体的... 详细信息

医学命名实体识别是医学信息抽取的基础任务，对医学知识图谱构建、医学问答系统等应用有重要意义。医学命名实体中的嵌套实体、长实体和多义实体等问题给医学命名实体识别带来了挑战。本文面向医学命名实体识别任务，对医学领域实体的特点及数据集中实体的分布进行了统计分析，提出了两个基于机器阅读理解（MachineReadingComprehension,MRC）的命名实体识别模型。具体研究内容如下:　　（1）医学领域命名实体识别数据集的统计与分析。对含嵌套命名实体的数据集CMeEE和不含嵌套命名实体的数据集CCKS2019分别进行了统计分析，包括不同类型实体的分布、实体长度、实体嵌套情况等，为后续命名实体识别模型的提出及实验设计奠定了基础。　　（2）为了解决嵌套实体和长实体问题，提出基于MRC的多任务多策略命名实体识别模型MRC-MTL-MS。将基于条件随机场（ConditionalRandomField,CRF）的序列标注与基于双仿射（Biaffine）的边界识别看作两个任务，纳入多任务框架，实现参数共享，在预测的时候通过CRF进行解码。为进一步提高识别效果，引入了任务自适应预训练、对抗训练、交叉验证等策略，还通过条件归一化层引入了实体类型嵌入信息。利用评测数据集CMeEE、CCKS2019对预训练模型NEZHA进行任务自适应预训练,缩小了任务数据和预训练数据之间的数据分布差异。实验结果表明，MRC-MTL-MS模型在没有使用外部资源的情况下，有效地提升了命名实体识别效果，在CMeEEV1和CCKS2019数据集上均取得了最好的效果，F1值分别达到69.47％和85.31％。　　（3）为了充分利用邻近文本片段之间的空间语义关系，提出了引入多粒度膨胀卷积（Multi-GranularityDilatedConvolution）、双仿射（Biaffine）与多层感知机（MultilayerPerceptron,MLP）相结合的MRC命名实体识别模型MRC-Biaffine-MLP。在嵌入层使用任务自适应预训练后的NEZHA模型对实体描述和文本进行编码，将编码后语义信息通过条件归一化层得到对应的词对嵌入表示，然后融合词对的距离嵌入表示和所在三角区域的区域嵌入表示实现对词对嵌入表示的增强。将融合之后的向量输入到多粒度膨胀卷积网络来捕获远词与近词之间的交互，最后使用Biaffine和MLP分类器进行联合解码。实验结果表明，引入多粒度膨胀卷积的MRC-Biaffine-MLP模型命名实体识别效果在不使用对抗训练和交叉验证等策略的情况下优于MRC-MTL-MS模型,体现了词对二维网格建模的有效性。

关键词：医学命名实体识别机器阅读理解自适应预训练多任务学习

来源：评论

学校读者我要写书评

暂无评论

增强实体边界检测的医学命名实体识别

引用

长江信息通信 2024年第3期37卷 77-79页

作者：徐凤娇三峡大学计算机与信息学院湖北宜昌443002

针对中文电子病历报告中专业词汇较多导致的边界识别困难问题,文章提出了一种增强实体边界检测方法来更好地识别医学命名实体,即以实体边界预测为辅助任务,增强模型对实体边界的检测能力,提高模型性能。该文从两个方面增强了实体边界,... 详细信息

针对中文电子病历报告中专业词汇较多导致的边界识别困难问题,文章提出了一种增强实体边界检测方法来更好地识别医学命名实体,即以实体边界预测为辅助任务,增强模型对实体边界的检测能力,提高模型性能。该文从两个方面增强了实体边界,一是通过在BERT与训练语言模型底层添加自制医学词典,增强模型对词汇边界信息的学习;二是以实体头尾预测作为辅助任务,进一步增强模型对实体边界的识别能力。在1个医学领域的公共数据集上进行了实验,相较于基线模型,F1值得到了1.96%的提升,说明该方法能有效检测实体边界,提升模型性能,验证了该模型的在医学领域的适用性。

关键词：医学命名实体识别实体边界检测 LEBERT

来源：评论

学校读者我要写书评

暂无评论

基于概率分布差异的医学命名实体识别方法

引用

大数据 2023年第4期9卷 159-171页

作者：刘聪吕雪峰王宏林王晓伟陆瑾孙顺胡松奇中国共产党中央军事委员会后勤保障部信息中心北京100190 长沙军民先进技术研究有限公司湖南长沙410205

医学命名实体识别是从医学文本中抽取出指代特定概念的医学实体,是医学信息抽取的基础性任务。当前主流的医学命名实体识别算法普遍基于深度学习技术,需要大量高质量的标注样本进行模型训练。然而医学领域的样本标注成本很高,严重限制... 详细信息

医学命名实体识别是从医学文本中抽取出指代特定概念的医学实体,是医学信息抽取的基础性任务。当前主流的医学命名实体识别算法普遍基于深度学习技术,需要大量高质量的标注样本进行模型训练。然而医学领域的样本标注成本很高,严重限制了模型性能的提升。为了降低模型对标注样本的需求,一种重要的方法是基于主动学习思想,设计合理的样本采样策略,自动选取高价值样本优先标注,从而使模型提前收敛。现有算法普遍基于样本长度、样本识别的概率等特征来设计采样策略,忽视了样本类别分布这一深层次特征,导致命名实体识别召回率较低。提出了一种基于概率分布差异的主动学习算法,通过计算样本间的概率分布差异来评估样本的标注价值,并在标注样本更新时动态优化模型。在真实的医学检查文本上的实验表明,相比已有算法,达到同等的模型性能,该算法所需要的标注数据可缩减10%以上;在相同标注样本量的情况下,本算法F1值提高5%以上。

关键词：医学命名实体识别深度学习主动学习概率分布

来源：评论

学校读者我要写书评

暂无评论

面向中文电子病历文书的医学命名实体识别研究——一种基于半监督深度学习的方法

引用

信息资源管理学报 2021年第6期11卷 105-115页

作者：景慎旗赵又霖南京大学信息管理学院南京210023 南京医科大学生物医学工程与信息学院南京211166 南京医科大学第一附属医院(江苏省人民医院)数据应用管理中心南京210096

电子病历文书详细记录患者诊疗全过程,蕴藏的医学知识是电子病历中最丰富的,因此挖掘电子病历文书潜在的知识结构具有十分重要的价值。面向非结构化电子病历知识挖掘的首要工作是命名实体识别,现有的医学领域命名实体识别方法面临标注... 详细信息

电子病历文书详细记录患者诊疗全过程,蕴藏的医学知识是电子病历中最丰富的,因此挖掘电子病历文书潜在的知识结构具有十分重要的价值。面向非结构化电子病历知识挖掘的首要工作是命名实体识别,现有的医学领域命名实体识别方法面临标注数据质量偏低、标注数据不足的问题,同时现有方法中均只考虑文本的序列特性,忽略文本中词间、字间的依赖关系,限制了命名实体识别效果。本文提出一种基于半监督深度学习的医学命名实体识别方法,即结合具有专家权威的中文百科半自动化实体标注法及BERT-GCN-CRF框架,对电子病历文本进行医学命名实体识别抽取。以真实电子病历文本作为实验对象,该模型获取的准确率、召回率、F1值均有明显提高,其中P、R和F1综合平均值分别为84.6%、84.0%和84.2%,同时人工标注工作量显著减少。本文提出的方法对电子病历的非结构化文本挖掘工作有重要意义。

关键词：医学命名实体识别电子病历文书知识挖掘半监督深度学习 BERT-GCN-CRF

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：