排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
2.
目的 构建基于双向表示神经网络的中医证候归类模型,将临床记录中的证候归类为与ICD-11中相对应的证候,并为临床医生记录证候提供归类提示。方法 首先使用基于RNN的Encoder-Decoder结构和基于RNN与Sigmoid函数结合的Multilabel结构建立对照模型,其后分别使用基于BERT与Sigmoid函数结合的Multilabel结构,以及本研究提出的基于BERT候选项选择结构建立模型。以准确率、精确率、召回率、F1得分对各模型进行评价。并使用提出的多模型决策错误自查法,观察模型的自查误能力。结果 基于BERT的候选项选择结构建立的中医证候归类模型在各项指标中的表现最优,均达85%以上。基于多模型决策错误自查法,发现了87.23%错误结果,模型具有错误自查能力。结论 构建的中医证候归类模型可将医生撰写的证候归类为与ICD-11和《中医病证分类与代码》中相对应的证候,并具备自查误功能。将模型用于中医证候的归类处理,可为大数据背景下的中医归类诊疗及中医辨证论治规律的挖掘提供有力的工具支持。 相似文献
3.
目的:探索构建适用于中医学领域的分词模型。方法:采用基于SentencePiece的无监督学习分词方法,提出利用出版教材、名家著作及中医临床病历这3种不同类型的文献构建中医学分词模型;选择中医临床病历、名医医案作为测试集进行模型测试。结果:中医学分词模型在测试集中的Kappa系数为0.79(一致性程度很高),准确率为0.84,宏观精确率为0.84,宏观召回率为0.83,宏观f1得分为0.83。结论:所构建的分词模型对于中医学专业术语有着较好的切分效果,表明该方法可运用于中医学领域的分词模型的构建,可为进一步地研究中医学分词提供方法学参考。 相似文献
4.
1