基于BiLSTM-CRF的中医医案命名实体识别
基于BiLSTM-CRF的中医医案命名实体识别
85900
目的：
针对中医医案中分词困难及实体种类繁多、歧义等难点，提出基于双向长短期记忆（BiLSTM）网络和条件随机场（CRF）的深度学习混合模型命名实体识别方法。
方法：
基于人工标注的名老中医诊断高血压医案构建BiLSTM-CRF模型进行命名实体识别，根据深度学习模型特点，该模型使用BiLSTM作为特征提取器，使用CRF进行序列标注，通过对语料集进行标注，对医案中疾病、症状、证候、治法和处方五类实体进行命名实体类别识别。
结果：
对整理的435份医案进行序列标注，基于向量构建从而进行命名实体类别识别。经过增加轮次后，综合测试实验结果精确率为81.3%，准确率达到90.13%；在各类别识别中，疾病精确率为73.87%，症状精确率为75.93%，证候精确率为72.33%，治法精确率为68.13%，处方精确率最高达到89.15%。
结论：
利用BiLSTM-CRF模型能够有效实现中医医案命名实体类别识别，有效提高了中医医案的实体识别准确率，为临床诊断提供有效数据支持。
BiLSTM-CRF模型命名实体识别中医医案信息抽取
