检索结果-内蒙古大学图书馆

中国数字医学 2021年第5期16卷 36-40页

作者：魏小林彭宇明张铁军新疆克拉玛依市中心医院新疆克拉玛依834000

电子病历是由医生根据病人描述和检查结果进行推断总结出来的,是以非结构化文本形式进行存储和管理,是医疗信息化的核心数据资产,其基本信息单元是医疗实体。传统的实体识别方法是基于规则、词典机器学习的方法,这些在性能、效率和准确... 详细信息

电子病历是由医生根据病人描述和检查结果进行推断总结出来的,是以非结构化文本形式进行存储和管理,是医疗信息化的核心数据资产,其基本信息单元是医疗实体。传统的实体识别方法是基于规则、词典机器学习的方法,这些在性能、效率和准确度上难以满足医疗信息化的发展需求。本文提出基于BERT的多层网络模型,简称为BBC,并将其应用于克拉玛依市中心医院电子病历信息抽取中,提取腹部超声检查结果中的症状实体。实验结果表明,本文提出的模型显著优于现有的方法,实体预测的F1值提升了2.3%。

关键词：电子病历医疗实体抽取 BERT 多层网络模型

来源：评论

学校读者我要写书评

暂无评论

临床医疗实体及其属性的联合抽取方法

临床医疗实体及其属性的联合抽取方法

引用

作者：石雪哈尔滨工业大学

学位级别：硕士

信息技术的迅猛发展使得临床医疗服务已进入数字化和信息化时代,一系列以电子病历为核心的医疗信息系统的建立与普及为医疗大数据奠定了坚实基础。在医疗大数据时代,如何分析利用医疗大数据,提高临床医疗服务智能化程度,成为当下临床医... 详细信息

信息技术的迅猛发展使得临床医疗服务已进入数字化和信息化时代,一系列以电子病历为核心的医疗信息系统的建立与普及为医疗大数据奠定了坚实基础。在医疗大数据时代,如何分析利用医疗大数据,提高临床医疗服务智能化程度,成为当下临床医疗信息化亟需解决的问题之一。其中,临床医疗实体及其属性抽取是电子病历医疗信息挖掘的关键所在,是挖掘蕴含其中医疗知识的关键步骤。临床医疗实体及其属性抽取即识别医疗文本中的临床医疗实体和属性,并确定实体和属性之间的修饰关系,可以有效的将电子病历文本中隐藏着的丰富的医疗信息与知识结构化,为患者、医务人员和研究者们进行数据分析和挖掘提供基础,其广泛用于临床决策支持系统、个性化健康医疗信息服务和公共卫生服务等。传统上,临床医疗实体及其属性抽取任务采用基于管道方式的方法。这种方法使每个子任务变成一个独立的任务,简单易行,但忽略了这两个子任务之间的内在联系和依赖关系,且不可避免的造成了错误传播。而联合学习方法是使用单个统一的框架完成两个子任务,可以有效整合临床医疗实体与属性间的内在信息,通过正确的关系抽取提高“实体/属性”识别率。同时鉴于正确的修饰关系不可能从错误的临床医疗实体和属性中获得,提高实体和属性识别率也将提高实体和属性之间修饰关系的抽取性能。本文主要采用以下两种方式进行临床医疗实体及其属性联合抽取:1)串行联合方法:把临床医疗实体和属性识别当作序列标注问题,它们之间的修饰关系抽取当作分类问题;2)并行联合方法:把两个子任务一起当作序列标注问题。前者是采用一个端到端的神经网络框架通过共享两个子任务的参数对临床医疗实体及其属性联合抽取。本文在现有研究基础上提出两个新的串行联合深度学习方法,用于临床医疗实体及其属性抽取,通过引入临床医疗约束关系和偏置损失函数进一步改进这些方法。后者是通过设计新的问题表示将两个子任务转化成一个任务进行处理。本文提出采用BIOHD1234和Multi-Label两种方法进行临床医疗实体及其属性抽取的并行联合学习。为了评估提出的新方法,本文构造了一个中文电子病历数据集,并分别在中文数据集和英文SemEval-2015 Task 14公开语料上进行实验。实验结果表明本文所提出的新的联合学习方法比传统的基于管道方式的方法及Miwa等人[1]提出的联合学习方法在该任务上性能更佳,同时也验证了联合学习方法优于管道方法,串行联合学习方法优于并行联合学习方法。

关键词：医疗实体抽取医疗属性抽取医疗实体属性关系抽取联合学习

来源：评论

学校读者我要写书评

暂无评论

基于预训练模型的医药说明书实体抽取方法研究

引用

计算机科学与探索 2024年第7期18卷 1911-1922页

作者：陈仲永黄雍圣张旻姜明浙江省药品信息宣传和发展服务中心杭州310061 杭州电子科技大学计算机学院杭州310018

药品说明书医疗实体抽取可为用药信息智能检索及构建医疗知识图谱提供基础数据,具有重要研究意义与应用价值。针对治疗不同种类疾病的药品说明书中的医疗实体存在着较大的差异从而导致模型训练需要标注大量样本的问题,采用“大模型+小... 详细信息

药品说明书医疗实体抽取可为用药信息智能检索及构建医疗知识图谱提供基础数据,具有重要研究意义与应用价值。针对治疗不同种类疾病的药品说明书中的医疗实体存在着较大的差异从而导致模型训练需要标注大量样本的问题,采用“大模型+小模型”的设计思路,提出了一种基于预训练模型的部分标签命名实体识别模型,先采用通过少量样本微调的预训练语言模型抽取药品说明书中的部分实体,再利用基于Transformer的部分标签模型进一步优化实体提取结果。部分标签模型采用平面格结构对输入文本、已识别出的部分实体及实体标签进行编码,使用Transformer提取特征表示,最后通过条件随机场(CRF)预测实体标签。为了减少训练模型的标注数据,利用标注样本实体掩盖策略,提出一种样本数据增广方法对部分标签模型进行训练。实验验证了“大模型+小模型”在医疗实体抽取的可行性,结果表明精确率(precision,P)、召回率(recall,R)和F1分数分别为85.0%、86.1%、85.6%,比其他学习方法更具优势。

关键词：命名实体识别预训练模型医疗实体抽取 Transformer

来源：评论

学校读者我要写书评

暂无评论

电子病历文本症状自动识别方法

引用

医学信息学杂志 2016年第7期37卷 7-14页

作者：龚凡王梦婕阮彤王昊奋陆灏上海中医药大学附属曙光医院上海201203 华东理工大学上海200237 上海中医院大学附属曙光医院上海201203

基于症状体系识别的难点,提出一种创新的基于症状构成模式的非监督学习方法来实现电子病历症状实体的自动抽取,介绍其总体过程并与基于CRF序列标注的监督学习方法进行比较,试验证明本文所提出的方法具有良好的识别效果和可扩展性。

关键词：医疗实体抽取症状构成模式结构化电子病历

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：