基于双分支TENER模型的中国医疗实体的认可

科学领域:

• 自然语言处理 (NLP) 是一种自然语言处理.
• 人工智能 (AI) 是一种人工智能.
• 医疗信息学 医疗信息学

背景情况:

• 命名实体识别 (NER) 对NLP应用至关重要,但与中国的电子医疗记录 (EMR) 斗争.
• 现有的NER方法在中国EMR上表现不佳,原因是对医疗术语和中文语言特征的考虑不足.
• 中国EMR的模型稳定性和识别性能差,需要改进NER方法.

研究的目的:

• 为中国EMR开发一个先进的NER模型,解决当前方法的局限性.
• 通过纳入特定领域的术语和语言特征来提高医疗实体的认可.
• 在中国EMR数据的背景下,提高NER系统的稳定性和准确性.

主要方法:

• 提出了一个基于TENER的模型,该模型包含了中国EMR中NER的激进特征和实体增强.
• 该模型在预训练期间从特征提取器层中使用深度语义信息提取.
• 解码器设计有两个不同的分支,用于识别医疗实体边界和实体类别.

主要成果:

• 拟议的模型获得了最高的F1分数:CCKS2019的82.67%,ERTCMM的74.37%,CEMR的70.16%.
• 在CMeEE挑战赛中,该车型以68.39%的F1得分超过了前三名竞争对手.
• 在四个数据集上的实验验证证明了与现有模型相比具有竞争力和优越的性能.

结论:

• 该研究提出了一种新的NER双分支方法,将实体边界和类型识别分开.
• 整合医疗实体词典信息和CNN提取的中国激进特征显著提高了专业术语的识别.
• 经过验证的模型证明了有效性,并取得了具有竞争力的结果,为中国EMR中的NER提供了显著的进步.