面向低资源医学命名实体识别的嵌入迁移：以患者 mobility 为例

功能状态作为全球健康的重要指标正获得越来越多的认可，但在医学自然语言处理研究中仍未被充分研究。我们基于近期开发的自由文本电子健康记录数据集，首次对自动提取患者 mobility 描述进行了分析。我们将该任务构建为命名实体识别（NER）问题，并研究了 NER 技术对 mobility 提取的适用性。由于聚焦于患者功能状态的文本语料稀缺，我们探索了将词嵌入进行领域自适应以用于循环神经网络 NER 系统。我们发现，在小规模领域内语料上训练的嵌入表现几乎与从大规模领域外语料学习到的嵌入相当，且领域自适应技术在精确率和召回率上均带来额外提升。我们的分析指出了提取患者 mobility 描述中的若干重大挑战，包括标注实体的长度与复杂性，以及 mobility 描述中的高语言变异性。