一个基于BIGRU的堆叠注意网络,用于与中国EMR进行生物医学命名实体识别

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:

• 生物医学命名实体识别 (BNER) 对于结构化医疗数据至关重要,使知识图和AI诊断等应用程序成为可能.
• 现有的BNER方法与专业医疗术语扎,并且经常忽视本地语义特征,限制性能.
• 一般域名词嵌入无法充分代表独特的医学术语.

研究的目的:

• 开发一种先进的BNER模型,克服现有方法的局限性.
• 改进电子医疗记录中的生物医学实体的准确识别.
• 为了增强语义特征提取,以便更强大的医学文本分析.

主要方法:

• 通过微调BERT对大规模电子医疗记录 (EMR) 数据的微调,创建了医疗术语的专有嵌入式表示.
• 卷积神经网络 (CNN) 用于从文本中提取语义特征.
• 为了深度语义特征提取,使用了一种新的堆叠方法堆叠的双向门式反复单元 (BIGRU) 网络.

主要成果:

• 拟议的BSAN模型在中国EMR数据集上实现了高F1得分90.9%.
• 与其他最先进的BNER模型相比,该模型表现出卓越的性能.
• 堆叠的BIGRU架构能够有效地进行全面,深入的全球特征提取.

结论:

• BSAN模型在生物医学命名实体识别方面取得了重大进展.
• 为医学术语微调BERT并使用堆叠的BIGRU网络有效地解决了医疗文本分析方面的挑战.
• 拟议的方法为构建复杂的生物医学数据和推进医疗人工智能应用提供了强大的工具.