生物医学命名实体识别研究现状及中文生物医学命名实体识别难点与意义综述

介绍国内外生物医学命名实体识别的研究现状,详细阐述生物医学命名实体识别的技术方法,包括基于词典和规则的方法、基于机器学习的方法、混合方法和神经网络方法以及相关测评组织和标准,总结中文生物医学命名实体识别难点和意义。     

藏药药理命名实体识别

通过中国知网获取藏药药理相关文献155篇,构建中文藏医药药理实体识别语料库,设计基于BiLSTM-CRF深度学习模型的藏药药理命名实体识别方法,采用信息抽取技术从科技文献中提取并识别藏药药理,为藏医药文献研究提供新途径。     

基于深度学习的患者安全事件的命名实体识别

为解决日益增长的数据体量与实际作业效率和成本的矛盾,用科学的标注体系对患者安全事件语料进行标注,设计了一种基于深度学习的BERT-BiLSTM-CRF模型,结合中文文本语料的语义特征和字符特征对其进行命名实体识别,最终实验F1值为91.49%,相较于BiLSTM-CRF模型和IDCNN-CRF模型,实体的识别性能分别提升了7.33%和8.30%,验证了该模型的有效性。     

命名实体识别在中医药领域研究进展

介绍中医药领域命名实体识别的研究现状,分析中医药领域命名实体识别的数据特征、评价指标和应用情况,阐述中医药领域命名实体识别研究的难点和不足,并提出展望。     

基于膨胀卷积神经网络的中文医疗命名实体识别研究

介绍国内外电子病历命名实体识别研究现状,阐述基于注意力机制和膨胀卷积神经网络的电子病历命名实体识别模型构建方法、结构以及实验环境、具体设计和结果,实验表明该模型具有更好的命名实体识别效果。     

中文医学命名实体识别算法研究

针对中文医学命名实体识别任务中实体细粒度较大、识别准确率不高等问题,提出一种融合特征Albert的中文医学命名实体识别算法,利用自建的真实标注语料对模型进行训练与测试,结果表明模型具有较好的识别效果。     

基于中文病例报告文献的医学诊疗命名实体识别研究

基于公开发表的中文病例报告文献构建医学诊疗实体语料库,搭建语料标注审核平台,以基于上下文语义理解的方式识别疾病、症状、检查、治疗4类医学诊疗实体。通过构建字符、词边界、上下文、词性和词典等特征,基于条件随机场模型提出一种多特征融合的中文病例报告诊疗命名实体识别方法,具有较高的识别准确率。     

面向淋巴水肿疾病的电子病历命名实体识别应用研究

目的/意义 探讨人工智能技术应用于淋巴水肿患者电子病历非结构化文本数据的关键实体识别问题。方法/过程 阐述样本稀缺背景下模型微调训练的解决方案,选取首都医科大学附属北京世纪坛医院淋巴外科既往收治患者594例为研究对象,依据临床医生标注的15种关键实体类别,微调GlobalPointer模型的预测层,借助其全局指针识别嵌套和非嵌套的关键实体。分析实验结果的准确性和临床应用可行性。结果/结论 微调后模型总体精准率、召回率和 Macro_F1均值分别为0.795、0.641和0.697,为淋巴水肿电子病历数据精准挖掘奠定基础。     

中文电子病历命名实体识别方法研究

目的/意义 探索基于中文电子病历的命名实体识别方法在构建医学知识图谱和相关应用推广方面的技术可行性。方法/过程 采用真实医疗电子病历数据对词嵌入表示模型进行精化,构建医学术语专有嵌入表示,并利用卷积神经网络等多模型提取局部语义特征,实现基于堆叠注意网络的中文医疗命名实体识别。结果/结论 堆叠注意网络模型F1值达到91.5%,较其他模型具备更强的医疗命名实体识别性能。进一步解决中文医疗命名实体识别难点,在实现全局语义特征全面深入提取的同时降低时间成本。     

中文电子病历命名实体识别方法研究

针对中文电子病历命名实体识别任务中存在的边界划分不准确、实体识别率不高等问题,提出基于深度学习的CNN-BiLSTM-CRF模型,详细阐述模型结构与原理,采集3 127份中文电子病历数据进行实验以验证模型性能,结果表明该模型具有较好的识别效果及性能。     

基于中文医药文本的实体识别和图谱构建

知识图谱技术促进了新药研发的进展,但国内研究起点晚且领域知识多以文本形式存储,图谱重用率低。因此,本研究基于多源异构的医药文本,设计了以Bert-wwm-ext预训练模型为基础,并融合级联思想的中文命名实体识别模型,从而减少了传统单次分类的复杂度,进一步提高了文本识别的效率。实验结果显示,该模型在自建的训练语料上的F1分数达0.903,精确率达89.2%,召回率达91.5%。同时,将模型应用于公开数据集CCKS2019上,结果显示该模型能够更好地识别中文文本中的医疗实体。最后,利用此模型构建了一个中文医药知识图谱,图谱包含13 530个实体,10 939个属性,以及39 247个相关关系。本研究所提出的中文医药实体识别与图谱构建方法,有望助力研究者加快医药知识新发现,从而缩短新药研发进程。