基于IDCNN+CRF和注意力机制的电子病历命名实体识别方法及模型稳定性研究

摘要：

目的:基于膨胀卷积+条件随机场(IDCNN+CRF)和注意力机制进行电子病历的实体识别,观察识别效果及模型的稳定性.方法:电子病历实体识别的实体抽取环节采用IDCNN+CRF架构,实体对齐环节采用Seq2Seq+注意力机制的翻译框架.与其他算法模型比较,观察所构建模型对电子病历实体的识别效果;逐步增加电子病历数量,分析对模型性能的提升效果.结果:IDCNN+CRF+注意力模型对于电子病历实体识别的准确率为97.17％,精确率为95.75％,召回率为95.06％,Fβ值为95.51％,优于Bi-LSTM+CRF、CRF、HMM等其他模型;在电子病历增加15篇后Fβ-score值趋于平稳.结论:基于IDCNN+CRF和注意力机制构建的模型具有良好的电子病历实体关系识别效果,且模型稳定性优异,为后续电子病历命名实体结构化提供了一种稳定可行的方案.

关键词：电子病历、命名实体识别、深度学习、膨胀卷积、条件随机场

所属期刊栏目：17

分类号：R319;TP399(医用一般科学)

资助基金：中南大学湘雅医院管理研究项目2021GL18

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1-5