临床概念提取:方法学综述

最新推荐文章于 2024-09-15 15:29:29 发布

尝试整理的小白

最新推荐文章于 2024-09-15 15:29:29 发布

阅读量884

点赞数

文章标签：人工智能机器学习深度学习

本文链接：https://blog.csdn.net/u012248837/article/details/126915712

版权

临床概念提取:方法学综述

摘要

概念提取是自然语言处理(NLP)的一个子领域，其重点是提取感兴趣的概念

介绍

本身医疗领域的概念抽取，使用医学编码和词典的辅助下的命名实体识别。但有两种不同情况：1、一个新型的病症没有记录更新在词典中，也没有编码；2、临床概念的往往可能是复杂的多个实体的集合，例如A chronic lacunar infarct is also noted，都是描述性的词语(概括的不好)

分为四类:基于规则的方法、传统机器学习(非深度学习变体)、深度学习或混合方法。例如，早期的临床概念提取尝试，即医学语言处理项目，改编自语言串项目，旨在利用语义词典和大量规则集合从医疗记录中提取症状、药物和可能的副作用[12,13]。20世纪90年代统计NLP的兴起和最近深度学习技术的进步[15-17]影响了临床概念提取的方法。尽管取得了这些进展，但由于电子病历数据的复杂性和异质性以及应用范围的多样性，临床概念提取的方法通常被埋在文献的方法部分。没有一种单一的方法被证明是全球有效的。

调查结果2009-2019

规则占48%，混合22%，传统机器学习22%，深度学习8%（我的分析：标注数据实在有限，不支持直接的深度学习，并且2018年bert模型刚刚提出，可能还没有那么火）

此外，仅靠疾病分类代码无法解决的疾病子域更有可能采用概念提取技术。（这就是孤独症单一病种下的问题，代码分的不够细致，很多都不能支持抽取，但需求又在）

i2b2 2009 medication challenge: Identification of medications, dosages, routes, frequencies, durations, and reasons i2b2 2009用药挑战:确定用药、剂量、途径、频率、持续时间和原因

CRF, SVM, Context Engine

Patrick J, Li M, editors. A cascade approach to extracting medication events. Proceedings of the Australasian Language Technology Association Workshop 2009; 2009.（用药）

任务设定

共享任务（共享数据集和目标）

实践（因地制宜）：根据疾病和用例的不同，实践环境中的任务可能更加专门化或定义不明确。临床文献注释中位数为251、最小值为100、最大值为8321。大多数研究选择200到600个文档作为研究数据大小。inter-annotator agreement（IAA评估）

We encourage interested readers to read articles by Albright et al. [48] and South et al. [53] for more information on the standard annotation process for concept extraction. 以获得更多关于概念提取的标准注释过程的信息。

模型设定

这些特征大致划分为语言特征、领域知识特征、统计特征和一般文档特征。

传统机器学习和混合方法中最常用的三个特征是词汇特征(24%)、句法特征(20%)和本体(13%)。

医学概念规范化旨在将医学提及映射到统一医学语言系统(UMLS)等标准化本体或SNOMED CT等受控词汇表中相应的医学概念。成熟的临床NLP工具，如MedLEE[112]、MetaMap[113]、cTAKES[114]和MedTagger[115]，可以使用不同的方法实现规范化，如字典查找方法和应用模式识别的基于规则的方法。