对肾病专科电子病历进行命名实体识别和实体关系抽取研究,为避免实体与关系独立抽取产生信息的冗余和联合抽取导致实体识别准确率下降的问题,将实体识别和关系抽取相结合,提高抽取准确率.先用长短期记忆网络—条件随机场(Bi-directional...对肾病专科电子病历进行命名实体识别和实体关系抽取研究,为避免实体与关系独立抽取产生信息的冗余和联合抽取导致实体识别准确率下降的问题,将实体识别和关系抽取相结合,提高抽取准确率.先用长短期记忆网络—条件随机场(Bi-directional Long Short-Term Memory network,BiLSTM—Conditional Random Field,CRF)模型抽取实体,再使用卷积神经网络(Convolutional Neural Network,CNN)—BiLSTM模型从文本中抽取实体及实体关系,比对2个模型的实体位置,得到最终抽取结果,并将实体标准化后的结果传送到Neo4j数据库中构建知识图谱.该研究针对多数肾病病程长、预后差、治疗周期长的特点,构建一个完备的肾病医学知识图谱展示肾病大数据,为肾病专科临床决策、疾病监控等提供支持,提高医疗服务质量,辅助医学诊断.展开更多
文摘对肾病专科电子病历进行命名实体识别和实体关系抽取研究,为避免实体与关系独立抽取产生信息的冗余和联合抽取导致实体识别准确率下降的问题,将实体识别和关系抽取相结合,提高抽取准确率.先用长短期记忆网络—条件随机场(Bi-directional Long Short-Term Memory network,BiLSTM—Conditional Random Field,CRF)模型抽取实体,再使用卷积神经网络(Convolutional Neural Network,CNN)—BiLSTM模型从文本中抽取实体及实体关系,比对2个模型的实体位置,得到最终抽取结果,并将实体标准化后的结果传送到Neo4j数据库中构建知识图谱.该研究针对多数肾病病程长、预后差、治疗周期长的特点,构建一个完备的肾病医学知识图谱展示肾病大数据,为肾病专科临床决策、疾病监控等提供支持,提高医疗服务质量,辅助医学诊断.
