在医学图像中整合自然和深度人工认知模型:基于BERT的NER和电子医疗记录的关系提取

科学领域:

• 生物医学信息学 生物医学信息学
• 自然语言处理自然语言处理.
• 机器学习 机器学习

背景情况:

• 医学图像和信号是重要的数据来源,但由于其复杂性,在知识获取和决策支持方面存在挑战.
• 从电子病历 (EMR) 中提取有意义的信息对于临床决策至关重要.

研究的目的:

• 提出一个端到端的框架,用于使用BERT在EMR中进行命名实体识别 (NER) 和关系提取 (RE).
• 通过克服传统的多步骤方法的局限性,增强医学知识的获取和决策支持.

主要方法:

• 一个端到端的框架,将NER和RE任务集成到基于BERT的统一模型中.
• 关于用于域特定语义表示的大规模EMR数据的BERT预培训和微调.
• 利用多任务学习来利用NER和RE任务之间的相关性,以提高概括性.

主要成果:

• 拟议的模型在四个EMR数据集中显著优于NER的现有方法.
• 该框架在RE中展示了优势,在多任务学习模式中显著提高了性能.
• ETE和MTL模块在全面精度和回忆方面表现出强的表现.

结论:

• 端到端的BERT框架为从EMR中提取信息提供了一个创新的解决方案.
• 将NER和RE与多任务学习相结合,可以有效地提高医疗NLP任务的性能和概括性.
• 这种方法增强了EMR数据的实用性,用于医学知识发现和决策支持.