基于上下文感知的医疗实体及关系联合抽取方法

发布时间：2023-04-11 05:32

　　自第三次技术革命以来,互联网技术迅速发展,人类进入大数据时代。在医疗领域,电子病历作为医疗信息化建设的重要元素逐渐取代了纸张病历,是医疗研究中的重要资源。如何高效利用海量的电子病历资源为人们提供智能化的服务是智慧医疗所面临的重大问题之一。信息抽取是电子病历分析的基础步骤,通过信息抽取技术提取电子病历中的重要信息并以结构化的形式呈现,不仅为医护人员的医学研究带来便利,还为更高层的信息利用提供基础。实体识别和关系抽取是信息抽取的两项核心内容,在医疗信息抽取工作中通常使用基于管道的方法来分别识别“实体/属性”和抽取“实体-属性”关系。这类方法一方面导致“实体/属性”识别的错误传递到“实体-属性”关系抽取部分,另一方面没有考虑两个任务的关联性。近年来虽有一些联合学习方法的提出,但都很少利用领域丰富的语言知识。针对上述问题,本文提出一种基于上下文感知的实体及关系联合抽取方法,并在Sem Eval-2015 Task 14的公开英文语料和来自某三甲医院的中文电子病例数据集上对该方法进行了全面评估。包括以下三个方面:(1)针对医疗实体及属性识别任务,在Bi-LSTM-CRF的基础上,引入语言模型实现...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题来源
    1.2 课题研究的背景及意义
    1.3 国内外研究现状
        1.3.1 临床医疗实体及属性识别研究现状
        1.3.2 医疗关系抽取研究现状
        1.3.3 医疗实体识别和关系抽取联合学习研究现状
    1.4 相关技术介绍
        1.4.1 语言模型
        1.4.2 长短时记忆网络
        1.4.3 注意力机制
        1.4.4 条件随机场
        1.4.5 高速公路网络
    1.5 本文主要研究的内容
    1.6 本文的组织结构
第2章 基于字词感知的临床医疗实体及属性识别方法
    2.1 引言
    2.2 数据集和评价方法介绍
        2.2.1 数据集介绍
        2.2.2 评价方法介绍
    2.3 数据预处理
    2.4 临床医疗实体及属性识别基准模型Bi-LSTM-CRF
    2.5 基于字词感知的临床医疗实体及属性识别模型
        2.5.1 LM+Bi-LSTM-CRF实体及属性识别方法
        2.5.2 ELMo+Bi-LSTM-CRF实体及属性识别方法
        2.5.3 BERT+Bi-LSTM-CRF实体及属性识别方法
    2.6 基于字词感知的临床医疗实体及属性识别实验
    2.7 本章小结
第3章 基于实体感知的临床医疗关系抽取方法
    3.1 引言
    3.2 数据预处理
    3.3 临床医疗关系抽取基准模型Bi-Seq LSTM
    3.4 临床医疗关系抽取实体感知模型
    3.5 基于实体感知的临床医疗关系抽取实验
    3.6 本章小结
第4章 多粒度的上下文感知医疗实体及关系联合抽取方法
    4.1 引言
    4.2 基于管道的医疗实体及关系抽取方法
        4.2.1 管道方法的构建
        4.2.2 实验结果及分析
    4.3 医疗实体及关系联合抽取基准方法
    4.4 字词感知的医疗实体及关系联合抽取方法
    4.5 实体感知的医疗实体及关系联合抽取方法
    4.6 多粒度感知的医疗实体及关系联合抽取方法
    4.7 上下文感知的医疗实体及关系联合抽取实验
    4.8 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3789406