相关实验视频
Updated: May 30, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
363
通过基于变压器的深度学习方法识别受保护的健康信息在中国医学文本中
Kun Xu1, Yang Song1, Jingdong Ma1
1School of Medicine and Health Management in Huazhong University of Science and Technology, Wuhan, China.
Health informatics journal
|January 25, 2025
概括
本研究介绍了一种使用变压器双向编码器表示 (BERT) 来识别中国临床文本中的私人信息的深度学习算法. 该模型的准确性很高,增强了患者数据的保护,并允许安全的数据共享.
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
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 保护临床文本中的患者隐私对于数据安全和合规性至关重要.
- 现有的识别私人健康信息的方法可能不适合中国临床语言的细微差别.
研究的目的:
- 提出和验证一种深度学习算法,用于在中国临床文本中识别私人信息.
- 评估在中国医疗保健环境中加强隐私保护的拟议方法的有效性.
主要方法:
- 基于变压器 (BERT) 的双向长期短期存储器 (BiLSTM) 和条件随机场 (CRF) 模型的双向编码器表示模型的开发.
- 从151个医疗机构收集并对33017份出院摘要进行了双重注释.
- 评估模型在注释数据集上的表现,包括与五个基线模型进行比较.
主要成果:
- 基于BERT的BiLSTM-CRF模型实现了微回忆率为0.979和F1得分为0.976.
- 预训练BERT模型与医疗体显著提高了性能.
- 该模型在识别中国临床文本中的私人信息方面表现出有前途的能力.
结论:
- 基于BERT的BiLSTM-CRF模型在识别中国临床文本中的私人信息方面非常有效.
- 这种方法提供了一个强大的解决方案来保护患者隐私,并促进安全的临床数据共享.
