基于层级参数变换的电子病历多任务信息提取  

Multi-Task Information Extraction of Electronic Medical Records Based on Hierarchical Parameter Transformation

作　　者：甘伟男 夏小琴 欧阳小平[3] 杨坚敏 Gan Weinan;Xia Xiaoqin;Ouyang Xiaoping;Yang Jianmin(School of Mathematical Sciences,Zhejiang University,Hangzhou 310027,China;College of Mathematical Medicine,Zhejiang Normal University,Hangzhou 310012,China;State Key Laboratory of Fluid Power&Mechatronic Systems,Zhejiang University,Hangzhou 310030,China;Zhejiang College of Sports,Hangzhou 311231,China)

机构地区：[1]浙江大学数学科学学院,杭州310027 [2]浙江师范大学数理医学院,杭州310012 [3]浙江大学流体动力与机电系统国家重点实验室,杭州310030 [4]浙江体育职业技术学院,杭州311231

出　　处：《中国生物医学工程学报》2024年第5期631-635,共5页Chinese Journal of Biomedical Engineering

基　　金：国家自然科学基金重大项目(12090020,12090025);浙江省自然科学基金(LSD19H180005);浙江省科技计划项目(2022C03113)。

摘　　要：针对电子病历命名实体识别和负面断言检测的热点和难点问题,提出了一种基于层级参数变换的电子病历多任务信息提取方法。该方法通过基于层级参数转换矩阵的迁移学习策略实现标注模型间接的参数优化,以解决数据稀缺导致目标模型不能直接训练的难题,同时引入了示性函数门控单元结构,用于对底层语义特征的自适应变换,以实现多任务联合学习。结果表明,本研究提出的方法能同时得到命名实体识别和负面断言检测结果,且性能指标得到了提升。中文数据集测试中使用迁移模型后得到的F1值提高了约1.8%,英文数据集测试中使用迁移多任务模型比单任务模型得到的F1值提高了1.9%。所提出的方法在电子病历的多任务信息提取上具有重要的实践价值。

关 键 词：电子病历 多任务学习 迁移学习 命名实体识别 负面断言检测 

分 类 号：R318[医药卫生—生物医学工程]