基于动态实体替换和掩盖策略的肝癌知识图表构建 罗伯塔-wwm-大-BiLSTM-CRF模型与临床中国EMR
Yichi Zhang1, Xiaojun Hu2, Hailing Wang1
1School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai, China.
Frontiers in artificial intelligence
|November 3, 2025
概括
这项研究引入了第一个使用真实世界临床数据的中国肝癌知识图 (KG). 这种新的方法通过整合电子医疗记录来增强智能医疗保健,以更好地管理肝癌.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 肝癌是全球主要的健康问题,推动了对先进的诊断和管理工具的需求.
- 现有的肝癌知识图 (KG) 缺乏与现实世界临床数据的整合,造成了重大知识差距.
- 缺乏专门针对肝癌的公开可用,全面的KG.
研究的目的:
- 构建第一个中国肝癌知识图 (KG),利用现实世界的临床数据.
- 开发和验证一种新的命名实体识别 (NER) 模型,用于从电子医疗记录 (EMR) 中提取医疗信息.
- 通过整合多样化的数据源来解决现有的KG的局限.
主要方法:
- 开发了一个新的框架,从现实世界肝癌电子医疗记录 (RLC-EMRs) 构建肝癌KG.
- 使用动态实体替换和掩盖 (DERM) 策略创建了一个新的命名实体识别 (NER) 模型,DERM-RoBERTa-wwm-large-BiLSTM-CRF.
- 使用TF-IDF进行了知识融合,以整合临床记录,医疗网站和标准术语的实体.
主要成果:
- 构建的肝癌KG包含46,364个实体和296,655个语义关系.
- 基于DERM的NER模型实现了高性能,在RLC-EMR数据集上F1得分为93.96%.
- 开发了一个基于KG的检索系统,用于查询与肝癌相关的信息.
结论:
- 拟议的框架有效地构建了一个临床相关的肝癌KG.
- 基于DERM的新型NER模型显著改善了从复杂的医学文本中提取实体.
- 整合现实世界的临床数据填补了当前肝癌知识资源的关键空白.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
06:09Author Spotlight: Advancing Hepatic Fibrosis Diagnosis Using Magnetic Resonance Elastography and AI
Published on: July 21, 2023
1.8K
