面向电子病历的信息抽取技术研究

发布时间：2021-11-25 15:41

　　随着国内医疗信息化产业的发展以及医疗数据标准体系的规范化,临床电子病历数据的研究价值也随之提高。面向临床电子病历数据的挖掘能够进一步推动智能医疗产业的发展。信息抽取技术是对电子病历文本进行知识抽取的重要手段。在临床电子病历领域,信息抽取技术的研究对个性化医疗服务、临床决策支持和随访管理等工作的开展具有重要的意义。信息抽取技术能够有效地从电子病历文本中获取医疗知识。在本文中,信息抽取技术主要是指命名实体识别技术和实体关系抽取技术。实体识别技术旨在识别出电子病历文本中多种类型的医疗实体,实体关系抽取技术旨在抽取出电子病历文本中医疗实体之间的关系。相比于其它文本,电子病历存在边界模糊、标注数据少、书写不规范等问题,以上问题加大了命名实体识别和实体关系抽取的难度,为有效地提取电子病历中的医疗实体以及实体间的关系,本文做了如下工作:电子病历中的实体识别:本文提出一种基于预训练模型EMR-BERT的电子病历实体识别的方法,利用BERT预训练模型为EMR-BERT提供基本参数,使用相关的电子病历的语料库为EMR-BERT提供预训练数据,再结合Bi-LSTM-CRF模型进行实体的抽取。最终结果与传统的... 

【文章来源】：南华大学湖南省

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题背景
    1.2 研究目的和意义
    1.3 研究现状及分析
        1.3.1 临床电子病历实体识别研究现状
        1.3.2 临床电子病历实体关系抽取研究现状
    1.4 主要研究内容
    1.5 结构安排
第2章 相关工作
    2.1 中文电子病历概述
        2.1.1 电子病历文本类型
        2.1.2 电子病历实体分类体系
        2.1.3 电子病历实体关系分类体系
    2.2 电子病历命名实体识别相关技术
        2.2.1 条件随机场
        2.2.2 长短时记忆网络
        2.2.3 注意力机制
        2.2.4 BERT
    2.3 电子病历实体关系抽取相关技术
        2.3.1 卷积神经网络
        2.3.2 GRU模型
第3章 电子病历命名实体识别研究
    3.1 基于深度学习的医疗电子病历实体识别
        3.1.1 预训练EMR-BERT
        3.1.2 面向电子病历的实体识别模型
    3.2 数据与评价标准
        3.2.1 数据集介绍
        3.2.2 数据标注格式
        3.2.3 评价指标
    3.3 实验与分析
        3.3.1 实验参数设置
        3.3.2 系统性能与分析
    3.4 本章小结
第4章 电子病历实体关系抽取研究
    4.1 基于深度学习的医疗电子病历实体关系抽取
        4.1.1 基于注意力机制的Bi-GRU-CNN模型
        4.1.2 词表示层
        4.1.3 门控循环单元层
        4.1.4 注意力机制层
        4.1.5 卷积池化层
        4.1.6 医疗实体关系分类层
    4.2 数据与评价标准
        4.2.1 数据集介绍
        4.2.2 数据标注格式
        4.2.3 评价指标
    4.3 实验与分析
        4.3.1 实验参数设置
        4.3.2 系统性能与分析
    4.4 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
参考文献
作者攻读学位期间的科研成果
致谢


【参考文献】：
期刊论文
[1]国家卫生计生委发布《关于印发电子病历应用管理规范(试行)的通知》[J].   医学信息学杂志. 2017(02)
[2]电子病历命名实体识别和实体关系抽取研究综述[J]. 杨锦锋,于秋滨,关毅,蒋志鹏.  自动化学报. 2014(08)
[3]电子病历中命名实体的智能识别[J]. 叶枫,陈莺莺,周根贵,李昊旻,李莹.  中国生物医学工程学报. 2011(02)



本文编号：3518440