嵌套命名实体识别在传统中医电子医疗记录通过双颗粒度的功能增强和跨度分类在传统中医

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
• 传统中国医学 信息学 信息学

背景情况:

• 命名实体识别 (NER) 对于从传统中医 (TCM) 电子病历中提取临床信息至关重要.
• 现有的NER方法面临TCM复杂语言的挑战,包括重叠和嵌套实体.
• 从TCM记录中自动提取信息对于研究和临床实践至关重要.

研究的目的:

• 开发一个先进的NER框架,GD-SpanTCM,专门为TCM电子医疗记录的复杂性而设计.
• 增强字符级文本理解,提高复杂实体结构的识别.
• 为了应对TCM数据中的标签不平衡和语言变异等挑战.

主要方法:

• 利用预先训练的语言模型来增强字符级文本理解.
• 整合了词汇和语义特征,以提高实体识别的准确性.
• 实施了强有力的培训策略,包括处理标签不平衡和复杂实体结构的技术.

主要成果:

• 西班牙 DG-SpanTCM 在现实世界 TCM 数据集上表现出卓越的表现.
• 与现有的基线模型相比,F1得分取得了显著的改善.
• 成功解决了与重叠,嵌套和不平衡实体相关的挑战.

结论:

• 西班牙GD-SpanTCM提供了一种新且有效的方法,用于中国传统医学的NER.
• 该框架有可能显著提升从TCM文本中自动提取信息的潜力.
• 改进的NER能力可以促进更好的临床决策和TCM的研究.