首页 > 中国实验方剂学杂志 > 基于BRL神经网络模型的名家医案实体识别

基于BRL神经网络模型的名家医案实体识别

Entity Recognition in Famous Medical Records Based on BRL Neural Network Model

二维码有效期 120s

摘要目的: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,针对医案文本特点,构建一种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408篇与高血压病相关的医案,并通过人工标注构建一个包含1 672条医案语料的数据集.随后,将这些语料随机分为3个子集,即训练集(1 004条)、测试集(334条)和验证集(334条).以此为基础,构建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.在模型训练阶段,利用训练集对上述模型进行训练,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,并保存效果最优的模型.最后,在测试集上评估这些模型的性能.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％,精确率与召回率的调和平均数(F1)为90.35％.BRL模型较Base模型,对实体识别的整体F1提升了5.22％,其中对脉象实体F1提升了 6.92％,提升幅度最大.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.

作者杨航 ^[1] 彭叶辉 ^[2] 杨伟 ^[3] 王嘉恒 ^[3] 赵志伟 ^[3] 徐文源 ^[3] 李钰欣 ^[3] 朱彦 ^[4] 刘丽红 ^[4] 学术成果认领

作者单位湖南科技大学数学与计算科学学院,湖南湘潭 411201;中国中医科学院中医临床基础医学研究所,北京 100700 ^[1] 湖南科技大学数学与计算科学学院,湖南湘潭 411201 ^[2] 中国中医科学院中医临床基础医学研究所,北京 100700 ^[3] 中国中医科学院中医药信息研究所,北京 100700 ^[4]

关键词命名实体识别预训练模型部首嵌入关联词嵌入名家医案 named entity recognition pre-trained model radical embedding associative word embedding famous medical records

分类号 R22（中医基础理论）R28（中药学）R249（中医临床学）TP183

栏目名称

临床

DOI 10.13422/j.cnki.syfjx.20241165

发布时间 2024-12-09（万方平台首次上网日期，不代表论文的发表时间）

基金项目

国家重点研发计划（2023YFC3503404）中国中医科学院自主选题项目（Z0643）