多任务神经网络药物不良反应检测算法

发布时间：2021-07-09 12:47

　　药物不良反应检测对于用药安全与保证治疗效果有重要意义。传统通过检索人工构建的相关知识库来实现药物不良检测的方式低效且易错,很难带来真正的临床价值。随着人工智能技术近年来的快速发展,利用神经网络检测药物不良反应的方法展现出了巨大的应用潜力,但目前的研究普遍以先抽取实体,再判断实体之间关系的序列化方式解决问题,这样的方式会带来误差传递、信息冗余等问题。针对上述问题,提出了一种基于标注策略的多任务神经网络,将药物不良反应与药物相互作用两个任务建模为一个序列标注问题以提升模型的最终性能。实验结果表明,在相关国际比赛与公开任务的数据集上,提出的多任务神经网络在不同的评价指标上都取得了显著的提升。 

【文章来源】：控制工程. 2020,27(07)北大核心CSCD

【文章页数】：6 页

【部分图文】：

ADE与DDI任务示例

具体如何通过自定义的标签策略完成多任务联合抽取的过程，如图2所示。在图2中，句子中的每个单词都被分配了一个预定义的标签，每个标签由3部分组成。第一部分表示抽取到的关系类型，其中DDI任务中有4种关系，分别是“advice”“effect”,“mechanism”，“int”,ADE任务中只有“ADE”一种关系类型；第二部分表示该实体所属的实体类型，DDI任务中只有药物一种实体类型，ADE任务中存在药物(Drug)、副作用(SideEffect)两种实体类型；第三部分参照传统序列标注任务的“BIOES”标签策略，用来表示该单词在实体中的位置，其中，“B”来表示该单词为实体的起始位置，“I”表示单词的中间位置，“E”表示单词的结尾位置，如果单词长度为1，则分配一个“S”标签，“O”标签表示该单词不适于任何一个实体。最终针对DDI与ADE任务按上述策略设计了一套特定的标签集合，用于多任务联合神经网络对每个输入单词的最终的分类。该标签集合内含有(4+1)*(1+2)*5=75种标签，使用这些标签可以将ADE与DDI两个任务中的NER与RC两个子步骤（共计4个子任务）用一个网络模型同时完成。

规则3：若最终的预测标签长度大于2，且开始标记为B，结束标记为E，则预测结束标签中的三部分为I。整体模型结构，如图3所示。此规则过滤器与条件随机场(CRF)的作用类似，可以使得模型的输出更加符合“BIOES”规则。实验证明，相比于时间复杂度较高的CRF，针对于ADE与DDI任务，相对简单快捷的规则过滤器可以达到相近的性能表现。

【参考文献】：
博士论文
[1]基于机器学习方法的药物不良反应预测及分析[D]. 杨帆.山东大学 2017



本文编号：3273778