中国EMR命名实体识别使用融合标签关系基于机器阅读理解框架.
概括
这项研究引入了中国电子医疗记录 (EMR) 的新模式,称为实体识别 (NER). 融合标签与MRC关系 (FLR-MRC) 模型通过考虑实体类型之间的关系来提高准确性.
科学领域:
- 自然语言处理自然语言处理.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 中国的电子医疗记录 (EMR) 由于专门的语言,对命名实体识别 (NER) 提出了独特的挑战.
- 传统的NER方法和当前的机器阅读理解 (MRC) 方法在捕获实体间关系方面存在局限性.
研究的目的:
- 为临床NER开发一个基于MRC的增强模型,以考虑实体类型之间的依赖关系.
- 提高中国EMR数据中NER的准确性和稳定性.
主要方法:
- 引入了与MRC (FLR-MRC) 融合标签关系模型.
- 集成图表注意力网络,以模拟实体标签之间的相互关系.
- 将模型应用于NER任务的中国EMR数据集.
主要成果:
- FLR-MRC模型在CMeEE数据集上获得了0.6652的F1分,在CCKS2017-CNER数据集上达到0.9101.
- 与现有的临床NER方法相比,已经证明了卓越的性能.
- 有效地捕获和利用实体类型之间的依赖关系.
结论:
- 通过结合标签相互关系,FLR-MRC模型为临床NER提供了显著的进步.
- 这种方法提高了MRC框架对复杂EMR数据的能力.
- 该模型显示了改善从中国医疗记录中提取信息的巨大潜力.


