EHR-HGCN:在电子健康记录中使用异质图形卷积网络进行文本分类的增强混合方法

科学领域:

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

背景情况:

• 文本分类对于从生物医学文本中提取知识至关重要,包括电子健康记录 (EHR).
• 现有的方法可能无法完全捕捉EHR文档中复杂的结构和上下文信息.

研究的目的:

• 提出一种新的异质图形卷积网络 (HGCN) 方法,EHR-HGCN,用于增强EHR文本分类.
• 有效地将情境敏感的嵌入与结构关系信息相结合,以提高分类性能.

主要方法:

• EHR-HGCN将文本分类重新定义为使用异质图的图形分类任务.
• 它使用双向循环神经网络 (BiRNN) 与GloVe嵌入来生成上下文敏感的单词和句子嵌入.
• 构建一个异质图,表示句子-单词和单词关系,然后进行HGCN分类.

主要成果:

• 与其他机器学习和深度学习方法相比,EHR-HGCN在标准基准上表现出卓越的准确性和F1得分.
• 该方法在MedLit对EHR部分分类的基准上获得了高准确度和F1得分.
• 除研究证实了异质图形结构和HGCN模型的关键作用.

结论:

• 拟议的EHR-HGCN方法通过利用基于图形的学习,为EHR文本分类提供了一种强大的方法.
• 通过异质图表整合上下文和结构信息显著提高了分类性能.
• 在生物医学文本分析中,EHR-HGCN显示出了促进知识发现的前景.