CliNER 2.0：可及且准确的临床概念抽取
计算与语言
2018-03-07 v1
摘要
临床记录常描述患者就诊的重要方面，因此对医学研究至关重要。对命名实体（如问题、检验与治疗）的临床概念抽取（CCE）有助于理解记录，并为许多下游临床决策任务奠定基础。历史上，该任务被视作标准命名实体识别（NER）序列标注问题，并借助基于特征、利用人工设计领域知识的方法解决。然而，近期进展证明了基于 LSTM 的模型对包括 CCE 在内的 NER 任务的有效性。本工作提出 CliNER 2.0，一个易于安装、开源的从临床文本中抽取概念的工具。CliNER 2.0 采用词级与字符级 LSTM 模型，取得了当前最优性能。为便于使用，该工具还包含可供公开使用的预训练模型。
引用
@article{arxiv.1803.02245,
title = {CliNER 2.0: Accessible and Accurate Clinical Concept Extraction},
author = {Willie Boag and Elena Sergeeva and Saurabh Kulshreshtha and Peter Szolovits and Anna Rumshisky and Tristan Naumann},
journal= {arXiv preprint arXiv:1803.02245},
year = {2018}
}