基于深度学习的电子病历命名实体识别附视频

被引：26

作者：

夏宇彬

郑建立

赵逸凡

徐霄玲

机构：

[1] 上海理工大学医疗器械与食品学院

来源：

电子科技 | 2018年 / 11期

关键词：

电子病历; 自然语言处理; 深度学习; 命名实体识别; 多层感知机; 长短期记忆网络;

D O I：

暂无

中图分类号：

R197.323 [业务管理]; TP391.1 [文字信息处理];

学科分类号：

120407 [卫生政策与管理]; 120506 [数字人文];

摘要：

为了对电子病历进行有效的信息抽取,文中使用基于深度学习的算法对电子病历文本进行命名实体识别。选择多层感知机神经网络和长短期记忆神经网络两种结构建立算法模型,使用基于batch的后向传播算法训练模型,并使用标注好的200份病历进行训练和测试。结果显示,深度学习的算法比手动定义特征的条件随机场算法F1值高7. 47%,证明了深度学习算法在电子病历命名实体识别任务中的有效性。

引用

页码：31 / 34+37 +37

页数：5

共 7 条

[1]

基于深度学习方法的句子及语素边界划分研究 [J].

Toleu Galymzhan ;

邬春学 .

电子科技, 2017, 30 (09) :20-23

[2]

基于改进HMM的半结构化文本信息抽取算法研究 [J].

孙师尧 ;

妙全兴 .

电子科技, 2014, (10) :111-114+118

[3]

电子病历命名实体识别和实体关系抽取研究综述 [J].

杨锦锋 ;

于秋滨 ;

关毅 ;

蒋志鹏 .

自动化学报, 2014, 40 (08) :1537-1562

[4]

语言科学发展的新分支——自然语言处理 [J].

邵泽国 .

电子科技, 2013, (05) :166-168+171

[5]

电子病历中命名实体的智能识别 [J].

叶枫 ;

陈莺莺 ;

周根贵 ;

李昊旻 ;

李莹 .

中国生物医学工程学报, 2011, 30 (02) :256-262

[6]

Dropout: a simple way to prevent neural networks from overfitting.[J] Nitish Srivastava;Geoffrey E. Hinton;Alex Krizhevsky;Ilya Sutskever;Ruslan Salakhutdinov Journal of Machine Learning Research 2014,

[7]

Mayo clinical Text Analysis and Knowledge Extraction System (cTAKES): architecture; component evaluation and applications.[J] Savova Guergana K;Masanz James J;Ogren Philip V;Zheng Jiaping;Sohn Sunghwan;Kipper-Schuler Karin C;Chute Christopher G Journal of the American Medical Informatics Association : JAMIA 2010,

← 1 →