面向中文临床术语标准化的ESim-SimCSE融合算法

临床术语的不规范性和多样性给临床数据的应用带来了困难和挑战,因此临床术语标准化工作成为一个重要的研究方向.传统机器学习标准化算法无法结合上下文捕获到隐藏的深层语义,随着计算机算力性能的大幅提升及神经网络被广泛应用于医疗信息处理领域,深度学习可以克服传统机器学习方法的缺点,被应用于临床术语标准化工作中.本文基于深度学习神经网络提出一种基于无监督与有监督学习融合的候选集生成方法,把候选集生成问题转换为文本相似度计算问题,运用对比学习,结合无监督学习场景ESimCSE-unsup模型和有监督学习场景SimCSE-sup模型,通过迁移学习将ESimCSE-unsup与SimCSE-sup融合形成ESim-SimCSE模型.选取SimCSEsup、SimCSE-unsup和ESimCSE-unsup 3种模型与ESim-SimCSE进行对比.实验结果显示,在CHIP-CDN2019数据集上相同召回范围下,ESim-SimCSE模型均优于其他模型,其中top k=20下,ESim-SimCSE模型计算F1得分为0.8891,比SimCSE-unsup提高了0.0459,比ESimCSE-unsup提高了0.0175,比SimCSE-sup提高了0.0107.

CHIP2019评测任务1概述:临床术语标准化任务

第五届中国健康信息处理会议(China Conference on Health Information Processing, CHIP2019)组织了中文临床医疗信息处理方面的三个评测任务,其中任务1为临床术语标准化任务。该任务的主要目标是对中文电子病历中挖掘出的真实手术实体进行语义标准化。评测数据集中所有手术原词均来自于真实医疗数据,并以《ICD9-2017协和临床版》手术词表为标准进行了标注。共有56支队伍报名参加了评测,最终有20支队伍提交了47组结果。该评测以准确率作为最终评估标准,提交结果中最高准确率达到94.83%。

SNOMED CT术语分类体系设定学科背景的探讨

SNOMED CT(Systemized Nomenclature of Medicine,Clinical Terms,系统化临床医学术语集)依据特定的原则,进行了现代临床医学相关术语的分类设定,建立起19个具有内在关联关系的层级体系(Hierarchies)。发布5年来,SNOMED CT已得到了30余个国家和地区的引进,广泛应用于现代医学临床科研的重要领域,说明该术语集具有充分的合理性和实用性,进行术语分类的原则符合现代西医学的自身规律。本文在回顾SNOMED术语顶级分类几次重大调整的基础上,以剖析SNOMED CT顶级分类层级之间的相互关系为切入点,提出现代西医学本体论是SNOMED CT进行术语分类框架体系设定的理论依据。