基于LSTM-CRF的中医医案症状术语识别

目前中医文献和临床医案数字化、结构化程度较低,从文本中有效获取症状信息是医案结构化的首要任务之一。针对中医医案临床症状术语,提出了一种基于长短期记忆(LSTM)网络和条件随机场(CRF)的深度学习症状术语识别方法。首先,参考中医临床症状术语规范,根据常见症状的组成要素制定了额外的字符级别特征,结合预训练的字嵌入获得文本序列的向量表示;其次,通过双向长短期记忆网络建模症状术语字符分布特征与句内依赖,获得序列元素的概率分布矩阵;最后,通过条件随机场获得序列标注结果。在小规模训练集上的实验表明,该方法在中医临床症状术语识别任务上F1值最高达到了0. 78。同时,该方法与传统的使用条件随机场方法相比,能够有效地识别字符较多的长症状术语,与进行人工特征标注相比代价更小。

基于序列标注的中医症状名识别技术研究

传统中医学博大精深,随着计算机技术在医学领域应用的不断深入,大量中医临床记录得以保留,为中医学研究学习提供了有效途径,而症状名识别是中医临床记录研究的重要前提。中医症状名识别可以看作一般文本中命名实体识别技术在中医学领域的特殊应用。我们采用命名实体识别中序列标注技术对中医临床记录进行研究,并结合中医临床记录领域特点,进行序列标注策略改进。通过HMM算法在序列标注策略改进前后实验结果对比,改进后HMM算法在性能评价指标上优于未改进之前,说明根据中医临床记录特点进行的序列标注策略改进是有效的。

宠物知识图谱的半自动化构建方法

提出一种宠物知识图谱的构建框架。通过自顶向下的方式设计并构建了schema(概念)层,从半结构化和非结构化数据中进行知识抽取构建了数据层。在对非结构化数据的实体抽取方面,提出了一种条件随机场(CRF)与宠物症状词典相结合的症状命名实体识别方法。该方法利用症状词典对文本进行识别,获取语义类别信息,CRF结合语义信息实现对症状实体的识别抽取。实验结果表明了该方法的有效性。在知识表示方面,选用Orient DB数据库支持的属性图模型来表示。知识图谱采用Orient DB图数据库来完成知识的存储,并实例展示了构建的宠物知识图谱。

中医症状信息抽取研究综述

随着我国医疗信息化水平的提高以及电子病历普及,医疗数据量呈爆炸式增长的趋势。中医电子病历是中医医案的结构化存储形式,其中包含大量的中医临床经验。症状是医家诊病、辨证的主要依据。对中医电子病历进行症状信息抽取可以得到文本中的关键信息,对提高中医诊疗效率和后续病症、药症关系等研究分析工作提供帮助。简要介绍中医症状信息抽取流程;分别阐述中医症状命名实体识别和关系抽取的难点、评价标准和近年的研究成果,并对这些研究成果所采用的方法进行了对比分析;总结症状信息抽取的下游应用,给出症状信息抽取任务中问题的解决思路。

基于条件随机场的医药领域症状信息抽取

为了实现中文医药领域症状信息的自动化抽取,提出了一种基于条件随机场的拆分症状文本特征的抽取方法,将症状文本自动识别拆分为症状主体和症状表现形式自动识别两个部分,再将这两种识别结果作为特征加入到症状信息抽取过程中。信息抽取的结果包含完整的症状信息二元组:症状主体和症状表现形式。实验表明,该方法在症状信息抽取的准确率及查全率上有较大提升。