Reconhecimento de Entidades Nomeadas Clínicas a partir de Registros Médicos Eletrônicos Chineses Baseado em Pré-treinamento de Aprendizado Profundo

Contexto: O reconhecimento de entidades nomeadas clínicas é a tarefa básica de mineração de texto de registros médicos eletrônicos, que apresenta desafios relacionados às características linguísticas do texto dos registros médicos eletrônicos chineses, com muitas entidades compostas, componentes de frase faltando e limites de entidades pouco claros. Além disso, o corpus de registros médicos eletrônicos chineses é difícil de obter. Métodos: Visando essas características dos registros médicos eletrônicos chineses, este estudo propôs um modelo de reconhecimento de entidades clínicas chinesas baseado em pré-treinamento de aprendizado profundo. O modelo utilizou incorporação de palavras de corpus de domínio e ajuste fino do modelo de reconhecimento de entidades pré-treinado por corpus relevante. Em seguida, BiLSTM e Transformer foram usados, respectivamente, como extratores de características para identificar quatro tipos de entidades clínicas, incluindo doenças, sintomas, medicamentos e operações, a partir do texto dos registros médicos eletrônicos chineses. Resultados: 1 visando o conjunto de dados de teste poderia ser alcançado. Esses experimentos mostram que o modelo de reconhecimento de entidades clínicas chinesas baseado em pré-treinamento de aprendizado profundo pode melhorar efetivamente o efeito de reconhecimento. Conclusões: Esses experimentos mostram que o modelo proposto de reconhecimento de entidades clínicas chinesas baseado em pré-treinamento de aprendizado profundo pode melhorar efetivamente o desempenho do reconhecimento.