从临床文本中提取膳食补充剂不良事件与适应症的深度学习方法
信息检索
2020-11-24 v2 计算与语言
摘要
我们工作的目标是证明利用深度学习模型从临床文本中提取与膳食补充剂（DS）使用相关的安全性信号的可行性。本研究执行了两项任务。在命名实体识别（NER）任务中，训练了Bi-LSTM-CRF（双向长短期记忆条件随机场）和BERT（来自Transformer的双向编码器表示）模型，并与作为基线的CRF模型进行比较，以识别临床笔记中DS与事件的命名实体。在关系抽取（RE）任务中，训练了两个深度学习模型（包括基于注意力的Bi-LSTM和CNN（卷积神经网络））以及一个随机森林模型，以抽取DS与事件之间的关系，这些关系被分为三类：阳性（即适应症）、阴性（即不良事件）和无关联。表现最佳的NER与RE模型进一步应用于提及88种DS的临床笔记，以发现DS不良事件与适应症，并与一个DS知识库进行比较。对于NER任务，深度学习模型取得了优于CRF的性能，F1分数高于0.860。基于注意力的Bi-LSTM模型在关系抽取任务中表现最佳，F1分数为0.893。将深度学习模型生成的DS-事件对与DS和事件知识库比较时，我们发现了已知和未知的对。深度学习模型能够检测临床笔记中DS的不良事件与适应症，在监测DS使用安全性方面具有巨大潜力。
引用
@article{arxiv.2009.07780,
title = {Deep Learning Approaches for Extracting Adverse Events and Indications of Dietary Supplements from Clinical Text},
author = {Yadan Fan and Sicheng Zhou and Yifan Li and Rui Zhang},
journal= {arXiv preprint arXiv:2009.07780},
year = {2020}
}