基于深度表示的中医病历症状表型命名实体抽取研究

目的：命名实体识别在自然语言处理中是最基本的任务之一,本文通过应用深度表示的方法实现临床上的现病史数据的自动标识。方法：本文随机选取了10 426条现病史句子作为主要的文本研究对象,分别用词嵌入（word2vec）和网络结构特征（node2vec）两种构建向量的方法生成不同的词向量特征,再在基于条件随机场（Conditional Random Field,CRF）和结构化支持向量机（Structured Support Vector Machines,SSVM）的方法上进行十重交叉验证,计算并比较基于深度表示的症状表型命名实体抽取的性能。结果：传统的CRF算法的三个评价指标（准确率,召回率,F 值）为（0.888 9,0.786 9,0.834 8）;基于WENER方法下的CRF和SSVM的评价指标为（0.975 0,0.984 9,0.979 8）和（0.992 8,0.988 9,0.990 8）;在GENER方法下基于词的CRF和SSVM算法的三个评价指标为（0.972 8,0.976 8,0.975 2）和（0.983 3,0.974 5,0.978 8）;GENER方法下基于字的CRF和SSVM算法的评价指标为（0.927 8,0.862 8,0.887 9）和（0.943 7,0.946 8,0.941 3）。结论：深度表示的命名实体抽取算法性能要比传统的非深度表示的命名实体标识算法性能好。另外,通过比较深度表示的两种算法的性能后发现,无论是基于word2vec生成的词向量还是基于node2vec生成的词向量,SSVM模型算法性能均优于CRF算法的性能。     

右颈总动脉离断合并颈内静脉大部分离断抢救成功一例

2007年2月,我院收治了1例右颈总动脉离断合并颈内静脉大部分离断的患者,入院查体:体温:35℃,脉搏:136次/min,呼吸:26 次/min,血压:60/40 mm Hg,表情淡漠,神志模糊,红细胞0.62×1012/L,血红蛋白浓度14 g/L.     

面向中医临床现病史文本的命名实体抽取方法研究

目的：中医临床病历作为重要的临床数据,以文本的形式记录了医生和患者交互的整个过程。目前,在大数据的背景下,针对临床病历所涵盖的主体问题信息如现病史的分析利用相关研究仍有所欠缺。因此,本文针对中医临床病历中的现病史部分展开症状术语抽取方法研究,为临床病历的进一步使用奠定基础。方法：首先通过随机挑选与专家审核的方式获得了12367份现病史数据,按照疾病种类分成了两组实验,其中糖尿病组包含了4838份数据,脾胃病组7529份数据,以及合并后的混合组12367份数据。并整理出了一份涵盖22996个词的症状术语字典。然后选取滑动窗口特征、词的前后缀特征、词典特征等5种特征模板,使用CRFs 模型开展症状术语命名实体抽取实验。结果：在实验结果评价标准（准确率、召回率和F1 值）上的表现：在开放测试上的评价结果为（0.83、0.8、0.82）、（0.9、0.9、0.89）和（0.88、0.87、0.87）;在十重交叉验证上的评价结果为（0.83、0.82、0.83）、（0.95、0.95、0.95）和（0.93、0.92、0.92）。结论：CRFs模型作为一种优秀的序列标注算法,适用于现病史文本的症状术语命名实体抽取任务。     

PTEN与Survivin在人皮肤血管瘤组织中的表达及意义

目的 探讨PTEN与Survivin在血管瘤发生、发展过程中的表达及意义.方法 应用免疫组织化学方法和RT-PCR法检测了皮肤血管瘤增生期、退化期以及正常皮肤组织中PTEN和Survivin的表达水平.结果 ①免疫组织化学结果:PTEN在增生期血管瘤内皮细胞的表达低于退化期,差异有显著性意义(P<0.05);退化期血管瘤内皮细胞PTEN表达水平高于正常皮肤组织,差异有显著性意义(P<0.05).Survivin在增生期血管瘤内皮细胞的表达明显高于退化期血管瘤内皮细胞和正常皮肤组织血管内皮细胞(均P<0.01),而Survivin在正常皮肤组织血管内皮细胞的表达与退化期血管瘤内皮细胞的表达差异无显著性意义(P>0.05).②RT-PCR结果:在退化期血管瘤和正常皮肤组织中均有明显的PTEN mRNA表达,而增生期血管瘤中PTEN mRNA的表达较弱;在增生期血管瘤中有明显的Survivin mRNA表达,而退化期血管瘤和正常皮肤组织中Survivin mRNA均无表达.结论 PTEN和Survivin参与了血管瘤的发生、发展和退化,PTEN通过诱导内皮细胞凋亡而促进血管瘤由增生向退化的转变,Survivin通过抑制内皮细胞凋亡而促进血管瘤的增生,两者在血管瘤的发生发展中发挥协同效应.