利用神经语言模型从临床文本中抽取药物与时间关系
计算与语言
2023-10-10 v2 人工智能
摘要
以电子病历（EMRs）形式呈现的临床文本包含丰富的医疗信息，对疾病预测、个性化信息推荐、临床决策支持以及用药模式挖掘与度量至关重要。药物提及与时间信息之间的关系抽取可进一步帮助临床医生更好地理解患者的治疗史。为评估深度学习（DL）与大语言模型（LLMs）在药物抽取和时间关系分类上的表现，我们使用若干先进学习结构对 \textbf{MedTem} 项目开展实证研究，包括用于临床领域命名实体识别（NER）的 BiLSTM-CRF 与 CNN-BiLSTM，以及用于时间关系抽取（RE）的 BERT-CNN，此外还探索了不同的词嵌入技术。进一步地，我们设计了一套后处理规则以生成关于药物及时间关系的结构化输出。我们的实验显示，在 i2b2-2009 临床 NER 任务上 CNN-BiLSTM 以宏平均的精确率、召回率与 F1 分数 75.67、77.83 和 78.17 略微优于 BiLSTM-CRF 模型。BERT-CNN 模型在 i2b2-2012 挑战赛的时间关系抽取测试集上亦产出合理的评估分数，宏平均 P/R/F1 分别为 64.48、67.17 和 65.03。MedTem 的代码与工具将托管于 \url{https://github.com/HECTA-UoM/MedTem}。
引用
@article{arxiv.2310.02229,
title = {Extraction of Medication and Temporal Relation from Clinical Text using Neural Language Models},
author = {Hangyu Tu and Lifeng Han and Goran Nenadic},
journal= {arXiv preprint arXiv:2310.02229},
year = {2023}
}
备注
working paper