基于深度学习的电子病历医疗命名实体识别

阿依图尔荪·喀迪尔

摘要：电子病历不仅对门诊、住院患者治疗具有指导与干预作用，更能以数字化形式呈现当前医疗服务内容与记录，为患者提供更为高效的医疗服务。为进一步强化深度学习能力，提取有效医疗信息。基于此，结合深度学习计算方式，对电子病历医疗命名实体的识别工作进行分析，借助BP网络构建基本数据模型，希望借助已标注病历数据进行再次训练与测试，强化电子病历命名实体识别工作开展，为现代医疗服务提供精准服务。

关键词：深度学习;电子病历;命名实体识别

中图分类号：TP393      文献标识码：A

文章编号：1009-3044（2020）16-0195-03

随着科技水准不断攀升，医疗行业获得全新发展契机，在医疗行业中，传统病历模式逐渐被优化为电子病历。电子病历集合计算机技术、智能产品，含有大量患者信息与专业医疗知识。对疾病治疗与疾病分析具有重要关联，对国内医疗水准提升具有积极作用。对命名实体识别进行分析，国外命名实体识别出现较早、相对成熟，具有良好监督与学习效果。对国内命名实体识别进行分析，国内起步相对较晚。但是，在科技迅速发展过程中，命名实体识别取得较好成果。为进一步提升命名实体识别能力，充分发挥电子病历价值，本文结合深度学习中的LSTM与MLP对电子病历进行基本识别，希望能够进一步提升深度学习电子病历识别有效性，为现代医疗服务发展做出重要贡献。

1电子病历医疗命名实体识别以及深度学习基本概述

1.1命名实体识别基本概述

对命名实体识别进行分析，命名实体识别具有信息提取、机器翻译、句法分析作用，是现代应用领域重要部分。将其与电子病历相结合，不仅能容纳大量的人名、时间、地点与日期、百分比等，更能明确实体类别，解决医院传统病历应用存在的问题。相对于英语的识别方式，在国内医疗电子病历识别过程中，汉语识别难度更大。因此，应结合深度学习计算方式，构建专属国内电子病历实体识别方式，应用不同模型，提升电子病历医疗命名实体识别能力，进一步推动现代医疗服务工作开展。

1.2深度学习基本概述

对深度學习进行分析，深度学习为一种机器学习方式，此种学习方式，在实际应用过程中，主要通过神经网络加以实现，对“深度”一词的解释，可以将“深度”理解为不同的神经网络分层，传统的机器学习深度网络多为2-3层，而深度学习网络辐射广，甚至可以达到成百上千层。深度学习方式，相对于单一的计算方式，此种计算方式更为准确、迅速，能够在极短时间内处理大量数据信息，并得到精准数据结果。究其原因，主要源于深度学习集合大数据、强大的计算资源以及训练模式。而CNN[1]作为深度学习中的基本图像处理方式，也是较为常见的神经网络，此种神经网络具有较强的提取与分层能力，能够进行重复提取，从而针对想要解决的问题，进行多次实验。只要具有充分训练时间，就能够解决复杂问题，将逻辑不清晰、关系不明确问题进行分化，最终得到精准数据结果，为结论研究提供强有力数据支持。

2命名实体识别所应用的MLP、LSTM神经网络计算方式

2.1 MLP神经网络计算方式

MLP[2]为多层神经网络简称，亦被称之为人工神经网络。MLP神经网络包含多个节点，其中，以ANN结构为例，每个节点之间相互衔接。在不同阶段的衔接部分，这些节点根据不同关系与全新，对偏置处加以关联，从而解决一些特定问题。在此种应用过程中，应给予偏置开展特定训练，并借助多个输入与输出层，构建完善神经网络，从而对神经网络内部多层信息以及隐藏内容加以识别。

2.2 LMTS神经网络计算方式

对LMTS进行分析，此种方式，更是适合处理间隔时间较长的问题。在短期记忆网络中，R为输入层、输出层以及隐藏层。其中，隐藏层主要借助RNN隐藏处理方式，对不同结构进行计算，并将得到的结果与新的数值一起作用于隐藏层，从而形成最终的输出结构。在此项计算方式中，既能展现基本的RNN结构，又能对RNN结构进行改进。LSTM优化RNN结构，解决RNN依赖的问题，将历史信息作为不同介质进行传递，确保数据传递过程不受任何因素影响，这也是LSTM计算重要内容。

3电子病历医疗实体是被模型构建

对最初序列标注进行分析，最初的序列需要动手进行标注，不仅需要投入大量人力资源、投入较高成本，整体标注效率较低。因此，在不断发展过程中，电子病历中的标注工作逐渐引入神经网络，对不同的特征进行选取，并将其作为输入框架，构建基本识别模型。其中，输入层最主要作用，就是将不同患者名称、疾病名称以及治疗记录输入其中，与此同时，在输入完成后，将每个输入转换为所对应的序号。而查找层可以通过ID转换多为向量，在这一层进行查找工作，将每个索引作为多维向量。为了获得更多上下关联信息，应在字前以及字后，对不同向量进行拼接，从而为网络层输入工作奠定良好基础。对命名实体识别网络层加以分析，在命名实体识别网络层中，主要应用LSTM与MLPS[3]神经网络计算特征，输入相关向量，并在不断转换过程中，对每一个输出的内容进行标准与分类，从而实现电子病历命名实体识别工作，在不同的计算方式与控制网格中，能够根据维特比计算方式，得到最佳识别方式，获得最终明确标注序列，并借助网络层所提供的数据内容，获得更为精准序列过程，获得精准识别方式。

4基于深度学习的命名实体识别实验

4.1训练集

在命名实体识别中，所采取的方式主要为隔准训练方法，为了进一步降低最小化带来的函数损失，因此，在命名实体识别实验中，应当结合最新计算方式，结合优化AdaGrad[4]算法，充分运用minibathc传播方式，对传播算法进行深入研究，获得最终的bathc数值。

4.2实验评价指标

要想更好地发挥命名实体识别效果，在实际工作中，应当以医院内部病历为主，对这些电子病历进行实名标注，将其中的150分电子病历作为训练集，将50分作为测试级，并在实际的测试过程中，选择适合本次测试框架结构，本文选择谷歌提供的TensorFlow为主，选择Python此类开发软件，并选用Windows系统。在此次实验中，以三个指标为衡量标准，分别为准确率、召回率以及F1数值，作为重要的衡量实体识别标志指标，实验公式如下所示：