检索结果-内蒙古大学图书馆

作者：李晓雪西北师范大学

学位级别：硕士

医疗事件抽取是自然语言处理技术在医学领域的一个基础性问题,旨在从非结构化的电子病历中提取特定的事件信息,是构建医疗文本的关键步骤,也是临床应用的前提。虽然目前提出的医疗事件抽取方法性能在不断提升,但仍然面临着一些关键问题:... 详细信息

医疗事件抽取是自然语言处理技术在医学领域的一个基础性问题,旨在从非结构化的电子病历中提取特定的事件信息,是构建医疗文本的关键步骤,也是临床应用的前提。虽然目前提出的医疗事件抽取方法性能在不断提升,但仍然面临着一些关键问题:(1)中文医疗事件语料匮乏,医疗数据人工标注成本过高,标注样例稀少。(2)电子病历中存在许多难懂的医学术语,现有医疗事件抽取模型往往忽略了上下文语义信息对内容理解的重要性。本文针对以上问题,以肿瘤电子病历为研究对象,利用深度学习、伪标签学习以及语义特征进行医疗事件抽取任务研究,主要工作如下:1.提出了基于伪标签数据增强的医疗事件抽取模型TEC＿MEE。针对医疗数据标注样例稀少问题,提出了伪标签选择算法,充分利用未标注数据,使用训练好的模型来预测无标签数据,并生成伪标签数据进行数据增强。在伪标签数据增强的基础上,构建基于Transformer Encoder与CRF的医疗事件抽取模型(TEC＿MEE),从无结构的中文电子病历文本中抽取指定事件的属性。实验结果表明,与Bi GRU-CRF相比,提出的TEC＿MEE模型经过伪标签数据增强后获得了较好的医疗事件抽取结果,F1值提升了4.11%。2.提出了融合语义特征的医疗事件抽取模型SF＿BERT。针对中文电子病历文本上下文语义信息缺失问题,基于Ro BERTa模型构建包含更丰富上下文信息的词向量,采用电子病历语义特征融合BERT-Conditiona Layer Norm模型进行医疗事件的抽取。以电子病历触发词相对距离以及电子病历中“转移”一词相对距离作为语义特征,构建融合语义特征的医疗事件抽取模型,抽取肿瘤事件的各个属性。实验结果表明,构建的SF＿BERT模型通过融入语义特征能很好的提升模型抽取效果,且与Transformer-Bi LSTM-CRF相比,F1值提升了5.98%,该方法抽取效果更佳。3.实现了基于融合语义特征的肿瘤事件抽取应用。实现医疗事件抽取技术在肿瘤疾病中应用的可视化,为肿瘤疾病诊疗提供一定的帮助。采用融合语义特征的医疗事件抽取模型进行肿瘤事件各个属性抽取。利用Qt Designer来设计用户交互界面,通过肿瘤分级、转移部位检测以及判断原发病灶大小,制定肿瘤诊疗方案,后续进行诊疗方案评估和数据分析统计,能够帮助临床医生对肿瘤进行更有效的诊疗。

关键词：中文电子病历医疗事件抽取伪标签学习语义特征辅助诊疗

来源：评论

学校读者我要写书评

暂无评论

基于伪标签置信选择的半监督医疗事件抽取

引用

微电子学与计算机 2022年第1期39卷 71-79页

作者：梁文桐朱艳辉詹飞张旭欧阳康孔令巍黄雅淋湖南工业大学计算机学院湖南株洲412007 湖南省智能信息感知及处理技术重点实验室湖南株洲412007

医疗事件抽取是构建医疗知识图谱的重要基础.针对医疗领域有标签数据匮乏的问题,构建基于Transformer编码器、BiLSTM和注意力机制的医疗事件联合抽取模型,并提出一种用于选择高置信度数据的伪标签置信选择算法.首先,训练医疗事件联合抽... 详细信息

医疗事件抽取是构建医疗知识图谱的重要基础.针对医疗领域有标签数据匮乏的问题,构建基于Transformer编码器、BiLSTM和注意力机制的医疗事件联合抽取模型,并提出一种用于选择高置信度数据的伪标签置信选择算法.首先,训练医疗事件联合抽取模型对无标签数据进行预测产生伪标签数据;然后,通过计算伪标签一致概率P来选择高置信度的伪标签数据,将其加入原有数据中重新训练联合抽取模型;最后,使用更新的医疗事件联合抽取模型对电子病历中肿瘤原发部位、病灶大小和转移部位事件进行抽取,并使用多数投票得到最终的抽取结果.以2020年全国知识图谱与语义计算大会(CCKS2020)中面向中文电子病历的医疗事件抽取任务语料作为实验数据,实验结果表明,本文提出方法获得了较好的医疗事件抽取结果.

关键词：医疗事件抽取知识图谱注意力机制联合抽取伪标签电子病历多数投票

来源：评论

学校读者我要写书评

暂无评论

面向中文医疗事件的联合抽取方法

引用

计算机科学 2021年第11期48卷 287-293页

作者：余杰纪斌刘磊李莎莎马俊刘慧君国防科技大学计算机学院长沙410073 军事科学院后勤科学与技术研究所北京100091

临床病历电子化的推广普及使得利用自动化的方法从病历中快速抽取高价值的信息成为可能。作为一种重要的医学信息,肿瘤医疗事件由描述恶性肿瘤的一系列属性构成。近年来,肿瘤医疗事件抽取已成为学术界的一个研究热点,众多学术会议将其... 详细信息

临床病历电子化的推广普及使得利用自动化的方法从病历中快速抽取高价值的信息成为可能。作为一种重要的医学信息,肿瘤医疗事件由描述恶性肿瘤的一系列属性构成。近年来,肿瘤医疗事件抽取已成为学术界的一个研究热点,众多学术会议将其发布为评测任务,并提供了一系列高质量的标注数据。针对肿瘤医疗事件属性离散的特点,文中提出了一种中文医疗事件的联合抽取方法,实现了肿瘤原发部位和原发肿瘤大小两种属性的联合抽取和肿瘤转移部位的抽取。此外,针对肿瘤医疗事件标注文本的数量和类型少的问题,提出了一种基于关键信息全域随机替换的伪数据生成算法,提升了联合抽取方法对不同类型肿瘤医疗事件抽取的迁移学习能力。所提方法获得了CCKS2020中文电子病历临床医疗事件抽取评测任务的第三名,在CCKS2019和CCKS2020数据集上的大量实验验证了所提方法的有效性。

关键词：中文电子病历医疗事件抽取迁移学习联合抽取肿瘤事件

来源：评论

学校读者我要写书评

暂无评论

一种中文医疗事件的联合抽取方法

一种中文医疗事件的联合抽取方法

引用

2020年全国知识图谱与语义计算大会

作者：纪斌刘慧君李莎莎余杰马俊国防科技大学计算机学院湖南长沙 410073

随着电子病历在医疗领域的推广应用，越来越多的研究者关注如何高效地从电子病历中抽取高价值科研信息.2020 年全国知识图谱与语义计算大会将中文电子病历临床医疗事件抽取作为评测任务，具体来说就是从中文肿瘤电子病历中抽取三种恶性... 详细信息

随着电子病历在医疗领域的推广应用，越来越多的研究者关注如何高效地从电子病历中抽取高价值科研信息.2020 年全国知识图谱与语义计算大会将中文电子病历临床医疗事件抽取作为评测任务，具体来说就是从中文肿瘤电子病历中抽取三种恶性肿瘤相关的属性.在本次评测任务中，结合三种属性的特点和属性间的依赖关系，我们提出了一种中文医疗事件的联合抽取方法.此外，我们提出了一种基于关键信息的全域随机替换的伪数据生成方法，提升了联合抽取方法在不同类型恶性肿瘤数据间的迁移应用能力.在测试数据集上的实验结果显示，我们提出的方法的F1 值为73.521%，获得了本次评测任务的第三名.

关键词：神经网络中文电子病历医疗事件抽取迁移学习

来源：评论

学校读者我要写书评

暂无评论

面向中文电子病历的医疗实体识别及事件抽取研究

面向中文电子病历的医疗实体识别及事件抽取研究

引用

作者：梁文桐湖南工业大学

学位级别：硕士

随着医学的发展和医疗数据的不断增长,如何从大量非结构化的中文电子病历中抽取出相应的医疗知识成为目前研究的热点。医疗实体识别和事件抽取作为结构化医疗文本的重要技术,可以识别并抽取电子病历中的实体及事件,为下一步构建医疗知... 详细信息

随着医学的发展和医疗数据的不断增长,如何从大量非结构化的中文电子病历中抽取出相应的医疗知识成为目前研究的热点。医疗实体识别和事件抽取作为结构化医疗文本的重要技术,可以识别并抽取电子病历中的实体及事件,为下一步构建医疗知识图谱和支持医学智能化决策打下基础。本文主要研究了医疗实体识别和事件抽取技术,主要研究成果包括:(1)提出一种基于BERT(Bidirectional Encoder Representations from Transformers)预训练语言模型的医疗实体识别方法,其中BERT建模电子病历上下文语义,迭代膨胀卷积神经网络(IDCNN)对局部医疗实体信息进行更准确的卷积编码,多头注意力(MHA)多次计算文本中每个字符和所有字符的注意力概率来增加关联字符的权重,CRF解码最优的医疗文本序列。实验结果表明,所提出方法在CCKS2019医疗实体识别数据集上取得较好的抽取效果。(2)提出一种基于深度学习多模型融合的医疗实体识别方法。该方法中首先提出一种基于变异系数的加权投票算法,用于构建基于BERT、IDCNN和图注意力网络(GAT)的融合模型,其中BERT可以获得电子病历上下文相关的语义表示,IDCNN可以高效地抽取电子病历语义信息,GAT通过构建三种字词图来充分利用词语的边界和语义信息,并提出一种基于历史信息的实体纠错算法用于优化融合结果。实验结果表明,所提出方法的精确率、召回率和F1值分别达到89.56%、82.77%和86.03%。(3)提出一种基于伪标签置信选择的半监督医疗事件抽取方法。该方法构建基于Transformer编码器、Bi LSTM和注意力机制的医疗事件联合抽取模型,并提出一种用于选择高置信度数据的伪标签置信选择算法。通过计算伪标签一致概率来选择高置信度的伪标签数据,将其用于扩充数据来更新医疗事件联合抽取模型,使用更新的模型对电子病历中肿瘤原发部位、病灶大小和转移部位事件进行抽取,并使用多数投票优化最终的抽取结果。实验结果表明,所提出方法在CCKS2020医疗事件抽取数据集上取得了优异的性能。

关键词：医疗实体识别预训练语言模型深度学习医疗事件抽取伪标签置信选择

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：