基于深度學習的中文電子病歷實體修飾與關(guān)系抽取研究及算法平臺開發(fā).pdf

1、隨著人們生活質(zhì)量的提高和經(jīng)濟水平的發(fā)展，醫(yī)療健康問題被社會各界廣泛關(guān)注。而在如今電子化醫(yī)療系統(tǒng)迅速普及的現(xiàn)狀下，大量醫(yī)療相關(guān)的信息以電子病例的形式存儲下來，經(jīng)過不斷積累，已具備了一定的規(guī)模。傳統(tǒng)的自然語言處理技術(shù)大多需要人工標注這些數(shù)據(jù)，導致大多未標注的原始病例數(shù)據(jù)無法有效的應用到任務(wù)處理中去。利用深度學習算法特征自學習的特點則可以很好地無監(jiān)督地訓練未標注數(shù)據(jù)，得到自適應的特征用于下一步處理中去。
　　在本文中，針對于中文電子病歷

2、的特點，開發(fā)了一個自動化的、可擴展的、高度模塊化的深度學習算法平臺，集成深度學習領(lǐng)域目前較為熱門的循環(huán)神經(jīng)網(wǎng)絡(luò)、遞歸張量神經(jīng)網(wǎng)絡(luò)等模型，用于處理中文電子病歷中的常用任務(wù)。該平臺可以快捷地利用深度學習算法對中文電子病歷中的信息抽取任務(wù)進行實驗，簡化了實驗中的大量重復工作步驟，達到了快速調(diào)試并得出結(jié)果的目的。
　　在深度學習平臺功能開發(fā)的基礎(chǔ)上，本文也利用平臺對中文電子病歷實體關(guān)系抽取做出了研究和實驗，得出了一定的實驗結(jié)果。實體關(guān)系抽

3、取基于遞歸張量神經(jīng)網(wǎng)絡(luò)（RNTN），在構(gòu)建好的句法樹上遞歸訓練詞向量，并自頂向下訓練多分類器達到關(guān)系分類的目的。在深層網(wǎng)絡(luò)訓練內(nèi)部特征的基礎(chǔ)上加入了具有中文電子病歷特點的外部特征，并做了對比實驗和結(jié)果分析。
　　本文利用平臺對中文電子病歷實體修飾識別做出了研究和實驗。實體修飾識別基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），主要以實體周圍的語義信息為特征訓練實體修飾的分類。在深層網(wǎng)絡(luò)訓練內(nèi)部特征的基礎(chǔ)上也加入了外部特征予以約束，并做了對比實驗和結(jié)果