基于BRL神经网络模型的名家医案实体识别
作者机构:湖南科技大学数学与计算科学学院 中国中医科学院中医临床基础医学研究所 中国中医科学院中医药信息研究所
出 版 物:《中国实验方剂学杂志》 (Chinese Journal of Experimental Traditional Medical Formulae)
年 卷 期:2024年
核心收录:
学科分类:12[管理学] 08[工学] 1006[医学-中西医结合] 1005[医学-中医学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 081203[工学-计算机应用技术] 0835[工学-软件工程] 100502[医学-中医临床基础] 0811[工学-控制科学与工程] 10[医学] 100602[医学-中西医结合临床] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家重点研发计划项目(2023YFC3503404) 中国中医科学院自主选题项目(Z0643)
主 题:命名实体识别 预训练模型 部首嵌入 关联词嵌入 名家医案
摘 要:目的:为提高医案文本中命名实体的识别准确率,实现对医案知识的有效挖掘和利用,针对医案文本的特点,构建了一种融合了Bert、部首及关联词嵌入的神经网络模型——Bert-Radical-Lexicon(BRL)神经网络模型识别医案实体。方法:从《中华历代名医医案全库》中选取了408篇与高血压相关的医案,并通过人工标注构建了一个包含1 672条医案语料的数据集。随后,将这些语料随机分为三个子集:训练集(1004条)、测试集(334条)和验证集(334条)。以此为基础,构建了融合多种医案文本特征的BRL模型,及其变体模型BRL-B、BRL-L、BRL-R,以及一个基线模型BASE进行实验。在模型训练阶段,利用训练集对上述模型进行了训练,为了减少过拟合的风险,在训练过程中持续监控各模型在验证集上的表现,并保存了效果最优的模型。最后,在测试集上评估了这些模型的性能。结果:与其他模型比较,BRL模型在医案命名实体识别任务中的性能最优,对疾病、症状、舌象、脉象、证候、治法、方剂及中药共8类实体的整体识别精确率为90.09%,召回率为90.61%,F1值为90.35%。BRL模型相比于基础模型,对实体识别的整体F1值提升了5.22%,其中对脉象实体F1值提升幅度最大,提升了6.92%。结论:通过在嵌入层融入多种医案文本特征,BRL神经网络模型具有更强的命名实体识别能力,进而提取更准确可靠的中医临床信息。