Flat-Lattice-CNN:一个中国医疗名称实体识别模型
Shanshan Wang1, Kunyuan Zhang2, Ao Liu3
1School of Economics and Management, Yan'an University, Yan'an, China.
PloS one
|September 18, 2025
概括
一个新的Flat-Lattice-CNN模型通过有效地处理复杂,漫长的医疗术语,改善了在互联网医疗保健对话中医疗名称实体的识别. 这提高了准确性,以便更好地了解患者和数据处理.
科学领域:
- 自然语言处理自然语言处理.
- 计算语言学 计算语言学
- 医疗信息学 医疗信息学
背景情况:
- 基于互联网的医疗保健在识别复杂的医疗命名实体方面存在挑战,原因是长期的多词模式和有限的患者医疗培训.
- 现有的命名实体识别算法在医生与患者对话中扎着医疗术语的语法复杂性.
研究的目的:
- 开发一种先进的模型,用于在医生与患者对话中准确识别医疗命名实体.
- 解决医疗术语中长期和多词语语法模式所带来的挑战.
主要方法:
- 在Flat-Lattice架构上集成具有不同扩展速率的卷积神经网络 (CNN).
- 开发Flat-Lattice-CNN模型以捕捉语义,位置和多令牌共发生特征.
- 对长长的医学名称实体的识别精度的提高.
主要成果:
- 平板格子-CNN模型在医学命名实体识别的所有评估数据集中表现得更好.
- 在CTDD数据集上,F1得分显著增加了2.3%.
- 该模型有效地处理了医学术语中的长篇和多字的语法模式.
结论:
- 拟议的Flat-Lattice-CNN模型在基于互联网的医疗保健对话中显著提高了医疗名称实体的识别.
- 该模型捕捉复杂语言特征的能力提高了准确性,并有可能用于临床应用.
- 这一进步有助于更好地提取和理解数字健康沟通中的信息.
