基于主动迁移学习的临床文本因果挖掘实用方法
计算与语言
2021-10-13 v1 人工智能
摘要
目的：因果挖掘是一个活跃的研究领域，需要应用最先进的自然语言处理技术。在医疗健康领域，医学专家创建临床文本以克服定义良好且模式驱动的信息系统的局限性。本研究的目标是创建一个框架，将临床文本转换为因果知识。方法：采用基于术语扩展、短语生成、基于 BERT 的短语嵌入与语义匹配、语义 enrichment、专家验证和模型演进的实用方法，构建全面的因果挖掘框架。该基于主动迁移学习的框架及其配套服务，能够从临床文本中抽取并 enrichment 因果关系及其对应实体。结果：多模型迁移学习技术在多次迭代中应用时，在保持精确率恒定的情况下，其准确率和召回率得到性能提升。我们还展示了所提技术与其常见替代方案的比较分析，证明了我们方法的正确性及其捕获大多数因果关系的能力。结论：所提框架在医疗健康领域提供了前沿结果。然而，该框架也可经调整用于其他领域的因果检测。意义：所提框架具有足够的通用性，可用于任何领域，由于医疗数据量大且多样，医疗服务可从中获得巨大益处。该因果知识抽取框架可用于总结临床文本、创建用户画像、发现医学知识，并为临床决策提供证据。
引用
@article{arxiv.2012.07563,
title = {A Practical Approach towards Causality Mining in Clinical Text using Active Transfer Learning},
author = {Musarrat Hussain and Fahad Ahmed Satti and Jamil Hussain and Taqdir Ali and Syed Imran Ali and Hafiz Syed Muhammad Bilal and Gwang Hoon Park and Sungyoung Lee},
journal= {arXiv preprint arXiv:2012.07563},
year = {2021}
}