文献类型：期刊文章

作　　者：景慎旗[1,2,3] 赵又霖[1]

Jing Shenqi;Zhao Youlin(School of Information Management,Nanjing University,Nanjing,210023;School of Biomedical Engineering and Informatics,Nanjing Medical University,Nanjing,211166;Center for Data Management,The First Affiliated Hospital of Nanjing Medical University(Jiangsu Province Hospital),Nanjing,210096)

机构地区：[1]南京大学信息管理学院,南京210023 [2]南京医科大学生物医学工程与信息学院,南京211166 [3]南京医科大学第一附属医院(江苏省人民医院)数据应用管理中心,南京210096

出　　处：《信息资源管理学报》

基　　金：国家重点研发计划项目“重大慢性非传染性疾病防控研究”重点专项“糖尿病信息化管理平台与传播体系创建及示范应用”(2018YFC1314900);江苏省重点研发计划“重大慢性病综合防控体系构建与示范”(BE2020721)。

年　　份：2021

卷　　号：11

期　　号：6

起止页码：105-115

语　　种：中文

收录情况：CSSCI、CSSCI2021_2022、JST、NSSD、RCCSE、RWSKHX、普通刊

摘　　要：电子病历文书详细记录患者诊疗全过程,蕴藏的医学知识是电子病历中最丰富的,因此挖掘电子病历文书潜在的知识结构具有十分重要的价值。面向非结构化电子病历知识挖掘的首要工作是命名实体识别,现有的医学领域命名实体识别方法面临标注数据质量偏低、标注数据不足的问题,同时现有方法中均只考虑文本的序列特性,忽略文本中词间、字间的依赖关系,限制了命名实体识别效果。本文提出一种基于半监督深度学习的医学命名实体识别方法,即结合具有专家权威的中文百科半自动化实体标注法及BERT-GCN-CRF框架,对电子病历文本进行医学命名实体识别抽取。以真实电子病历文本作为实验对象,该模型获取的准确率、召回率、F1值均有明显提高,其中P、R和F1综合平均值分别为84.6%、84.0%和84.2%,同时人工标注工作量显著减少。本文提出的方法对电子病历的非结构化文本挖掘工作有重要意义。

关 键 词：医学命名实体识别  电子病历文书  知识挖掘 半监督深度学习  BERT-GCN-CRF  

分 类 号：G302] R-02]