关于医学概念规范化的全面调查:数据集,技术,应用以及未来的方向

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.
• 计算语言学 计算语言学

背景情况:

• 医疗概念规范化 (MCN) 将非正式的医疗术语映射到标准化概念中,这对于医疗文本分析和医疗保健情报至关重要.
• 现有的研究专注于数据集和算法,但缺乏对MCN的整体调查.
• 这种差距需要对MCN的核心组件和应用进行全面审查.

研究的目的:

• 为医学概念规范化 (MCN) 提供第一个全面的调查.
• 涵盖MCN任务定义,注释方案,数据集,规范化技术,性能和应用.
• 为模型选择提供准则,并讨论未来的研究方向.

主要方法:

• 对现有的MCN文献和数据集进行系统审查和比较分析.
• 在基准数据集上对各种深度学习模型 (CNN,RNN,Transformer,GNN,LLM) 的定量评估.
• 探索MCN在EHR管理,临床决策支持,精准医学和健康信息交换中的应用.

主要成果:

• 详细概述MCN任务定义,注释方案和可用的数据集.
• 对基准数据集和主要规范化方法进行比较分析.
• 多种MCN模型的定量性能评估,突出最先进的方法.

结论:

• 这项调查通过巩固MCN知识,为研究人员和从业人员提供了宝贵的资源.
• 它确定了关键的挑战,并概述了该领域有希望的未来研究方向.
• 提供的GitHub存储库提供了访问相关资源以进行进一步的探索.