面向呼吸科室疾病的知识抽取与对齐

发布时间：2023-04-30 06:13

　　大数据时代的发展推动了整个社会对智慧医疗方向的探索,使得智能医疗成为当下众人所关注的焦点,迎合了国民对于智能化医疗服务的迫切需求。如何从海量的医疗文本中抽取关键的知识并加以管理对智能医疗应用的研究具有重大意义,知识图谱的出现有效的解决了这个问题。前期实验室工作中初步构建了医学知识图谱,完成了知识图谱相关规范的定义及从临床医学知识服务系统和医脉通网站抽取知识的工作。经过探讨,我们认为知识图谱的规范定义需要更进一步的丰富与细化。此外,按科室划分抽取知识能够使单一科室的知识更加完备,结合实验室的工作需求和呼吸系统疾病的现状,本文以扩充呼吸科室疾病相关医疗知识为目标,主要开展了以下几项工作:(1)知识图谱规范的重新定义。经对数据源分析,结合实际需求,在原有知识图谱规范中定义的六大类实体基础之上添加了身体部位实体。此外,针对这七大类实体细化了它们之间的语义关系。(2)面向呼吸科室疾病的知识抽取工作。前期工作中主要利用医学词典完成实体抽取,导致抽取的实体存在很多疏漏,本文采用机器学习方法和深度学习方法进行了命名实体识别实验,由于标注数据规模较小,本文基于电子病历进行参数迁移学习,改进了命名实体识别...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究的目的和意义
        1.1.1 课题背景
        1.1.2 研究的目的和意义
    1.2 国内外研究现状
        1.2.1 医学知识图谱研究现状
        1.2.2 知识抽取研究现状
        1.2.3 实体对齐方法研究现状
    1.3 本文研究的主要内容
    1.4 本文的结构安排
第2章 知识图谱模式层定义及呼吸科室数据预处理
    2.1 引言
    2.2 前期医疗知识图谱构建工作介绍
    2.3 呼吸科室疾病语料获取及分析
        2.3.1 呼吸疾病诊疗指南数据预处理
        2.3.2 寻医问药网站呼吸科室数据预处理
    2.4 知识图谱模式层定义
        2.4.1 实体定义
        2.4.2 实体属性定义
        2.4.3 关系定义
    2.5 数据预处理
        2.5.1 基于字典的命名实体识别
        2.5.2 数据标注
    2.6 本章小结
第3章 面向呼吸科室疾病的知识抽取与表示
    3.1 引言
    3.2 命名实体识别
        3.2.1 基于双向LSTM+CRF的命名实体识别
        3.2.2 基于电子病历迁移学习的命名实体识别
        3.2.3 实验结果与分析
    3.3 关系抽取及属性抽取
        3.3.1 关系抽取
        3.3.2 属性抽取
    3.4 知识表示与统计
        3.4.1 知识表示
        3.4.2 知识统计
    3.5 本章小结
第4章 实体对齐方法研究
    4.1 引言
    4.2 候选实体生成
    4.3 成对实体对齐方法
    4.4 基于图方法的实体对齐方法
    4.5 基于联合知识嵌入的实体对齐方法
        4.5.1 TransE模型介绍
        4.5.2 训练方案
    4.6 实验设计与分析
        4.6.1 无监督实体对齐方法实验设置与分析
        4.6.2 基于联合知识嵌入的实体对齐方法实验设置与分析
        4.6.3 实体对齐方法实验对比
    4.7 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他研究成果
致谢



本文编号：3806591