基于BRL神经网络模型的名家医案实体识别

作     者：杨航 彭叶辉 杨伟 王嘉恒 赵志伟 徐文源 李钰欣 朱彦 刘丽红 

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。