MF-MNER:中国临床电子医疗记录中MNER的多模型融合

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
• 机器学习 机器学习

背景情况:

• 临床电子医疗记录 (EMR) 通常缺乏足够的中文注释,阻碍了准确的命名实体识别 (NER).
• 现有的NER模型难以应对临床文本数据的复杂性和细微差别.

研究的目的:

• 为中国临床EMR开发一种有效的多医学实体识别 (MMER) 方法.
• 为了应对由于注释数据有限而导致的表现不佳的挑战.

主要方法:

• 提出了一种新的F-MNER方法,集成双向自回归变压器 (BART),双向长期短期存储器 (Bi-LSTM) 和条件随机场 (CRF).
• 该方法涉及数据清理,编码,细分,通过BART进行动态语义融合,通过Bi-LSTM进行序列信息捕获,并使用CRF进行解码.
• 在CCKS2019数据集和真实临床数据集上进行了实验.

主要成果:

• 在CCKS2019数据集上,F-MNER取得了卓越的表现,在微观,宏观和加权平均指标方面表现优于现有模型.
• 与BERT-BiLSTM-CRF相比,F-MNER显示了显著的改进:精度为19.64%,回忆为15.67%,F1得分为17.58% (加权平均值).
• 在真实临床数据集上,F-MNER实现了微平均精度,回忆和F1分数分别为0.638,0.825和0.719.

结论:

• F-MNER方法有效地整合了BART,Bi-LSTM和CRF,大大提高了下游的NER任务.
• 该模型表现出色,特别是在回忆中,即使有有限的注释数据,也显示出其实际意义.
• 该研究提供源代码和数据集,以实现可重现性.