在临床电子医疗记录中联合提取实体关系的建模

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 生物医学数据科学 生物医学数据科学

背景情况:

• 电子医疗记录 (EMR) 对医疗信息化至关重要,但提取复杂的重叠实体关系仍然具有挑战性.
• 现有的单个实体关系提取方法与临床数据的复杂性作斗争.
• 缺乏专门的数据集阻碍了为临床EMR开发强大的关系提取模型.

研究的目的:

• 开发一种新的级联关系提取模型,能够处理临床EMR中复杂和重叠的实体关系.
• 解决管道模型在管理实体和关系之间的一对多相关性方面的局限性.
• 创建一个紧的临床医疗关系提取数据集从真实患者的EMR.

主要方法:

• 开发了一个级联关系提取模型,集成MacBERT,封闭的反复网络和多头自我注意力,以增强功能提取.
• 纳入对抗式学习来提高模型的稳定性.
• 实现一对多关系的两阶段任务:预测主要实体,然后相关对象和对应.

主要成果:

• 获得F1分数为82.8% (DuIE),76.8% (CHIP-CDEE) 和88.2% (私人数据集),表现优于基准模型.
• 证明了模型在管理复杂实体关系和提高提取精度方面的有效性.
• 级联方法成功地解决了一对多的相关性问题.

结论:

• 拟议的级联关系提取模型显著提高了从临床EMR提取复杂实体关系的准确性和稳定性.
• 该模型在生物医学信息提取方面具有实际应用性,特别是用于临床数据分析.
• 这项工作为推进医疗信息学提供了有价值的数据集和复杂的模型.