基于计算机视觉大模型的超声心动图左心室射血分数自动化测量

目的:探索计算机视觉大模型在超声心动图中预测左心室射血分数(LVEF)的可行性。方法:基于目前最大的超声心动图视频公开数据集EchoNet-Dynamic,纳入10024例患者的10024段超声心动图动态视频。选用计算机视觉大模型VideoMAE V2,分别使用7460、1288、1276段视频对其进行微调、验证和测试。结果:VideoMAE V2预测LVEF与人类专家测量结果间的平均绝对误差为3.94%(95%CI:3.79%~4.11%),Pearson相关系数为0.91(95%CI:0.89~0.92)。此外,VideoMAE V2可准确判断患者LVEF是否低于50%,AUC可达0.96(95%CI:0.95~0.97)。结论:计算机视觉大模型用于在超声心动图视频中预测LVEF可行,为通用多模态超声心动图自动判读系统的开发奠定基础。

基于医案文本的名老中医诊疗知识图谱构建方法及应用

目的以名老中医临床病案为研究对象,设计中医诊疗知识图谱构建方法并进行应用。方法首先,设计深度学习和正则表达式相结合的医案文本实体抽取方法,对非结构化医案文本的疾病、症状、病机和中药实体进行自动抽取;其次,定义实体关系,利用HAN方法计算实体之间的相关性,形成“实体-关系-实体”三元组;最后,利用图数据库Neo4j进行知识存储、Gephi进行可视化展示并在名老中医诊治肺癌医案上进行应用验证。结果知识抽取模型对医案实体抽取的精确率、召回率和F_(1)分别为88.49%、90.02%、89.25%,各指标优于对比方法;通过实体相关性计算共提取了1077条三元组,并成功构建了知识图谱,能够反映名老中医诊治肺癌“病-症-机-药”之间的关系。结论本文方法可以有效解决名老中医临床医案文本知识的抽取、组织和表达问题,实现了从医案文本到知识图谱的自动化构建过程,相关研究思路和方法可以为名老中医诊疗知识图谱构建提供参考。

融合半监督学习与RoBERTa多层表征的中文医学命名实体识别

为减少现有的深度命名实体识别(NER)模型对高质量标注数据集的依赖,面向医学文本解析,提出一种基于半监督学习与RoBERTa多层表征融合的医学命名实体识别方法。该方法在RoBERTa-wwm-ext-BiLSTM-CRF多层表征融合模型基础上,设计伪标签方法扩充数据样本,构建噪声减弱模块以缓解伪标签数据中噪声的影响。在CCKS 2021医疗命名实体识别数据集和CBLUE CMeEE数据集上的实验结果表明,该方法与经典的BERT-BiLSTMCRF方法相比,F1值分别提升了1.14%和1.63%,表明引入半监督学习策略并融合RoBERTa多层表征信息的命名实体识别方法可以有效提高医学实体识别效果。

名老中医诊治肺癌“症-药”关系自动化提取与分析模型构建及应用

目的:针对名老中医周仲瑛诊治肺癌的非结构化医案,为自动化分析名老中医诊治肺癌“症-药”关系。方法:设计“症-药”关系提取与分析模型,模型包括两个核心部分,首先将BERT-BILSTM-CRF模型使用残差网络和层归一化进行优化,对医案文本数据中的相关症状及药物实体进行自动化抽取并进行分类;其次,使用皮尔逊相关性分析的方法计算药物与症状间的相关系数,并以此为根据绘制复杂网络并根据不同症状进行子图划分,对用药规律进行可视化展示。结果:本研究模型能较好地实现症状和中药的抽取和识别以及二者关系的分析。结论:本模型能为名老中医诊治肺癌经验总结和规律发现提供有力支撑。