[發(fā)明專利]一種用于肝癌病理文本命名的實(shí)體識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110864136.7
• 申請(qǐng)日: 2021-07-29
• 公開（公告）號(hào): CN113627185A
• 公開（公告）日: 2021-11-09
• 發(fā)明（設(shè)計(jì)）人: 胡峰;何曉蓮;張清華;高滿;鄧緯斌
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06F40/295
• 分類號(hào): G06F40/295;G06F16/35;G06N20/20;G16H50/70
• 代理公司: 重慶輝騰律師事務(wù)所 50215
• 代理人: 盧勝斌

1.一種用于肝癌病理文本命名的實(shí)體識(shí)別方法，其特征在于，包括：實(shí)時(shí)獲取肝癌病理文本信息，對(duì)該文本信息進(jìn)行預(yù)處理；將預(yù)處理后的文本信息輸入到訓(xùn)練好的肝癌病理文本命名實(shí)體模型，得到肝癌病理文本信息識(shí)別結(jié)果；根據(jù)識(shí)別結(jié)果對(duì)肝癌病理文本信息進(jìn)行分類標(biāo)記；肝癌病理文本命名實(shí)體模型包括：NER教師模型、十折模型以及命名實(shí)體抽取模型；

對(duì)肝癌病理文本命名實(shí)體模型進(jìn)行訓(xùn)練的過程包括：

S1：獲取肝癌病理文本數(shù)據(jù)集，將該數(shù)據(jù)集輸入到肝癌體系化標(biāo)注知識(shí)庫中，對(duì)肝癌病理文本數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行實(shí)體標(biāo)注；

S2：將肝癌病理文本數(shù)據(jù)集輸入到NER教師模型中，采用半監(jiān)督-自訓(xùn)練方式得到訓(xùn)練集的標(biāo)簽soft label；

S3：將進(jìn)行實(shí)體標(biāo)注的肝癌病理文本數(shù)據(jù)集輸入到十折模型進(jìn)行訓(xùn)練，得到增強(qiáng)去噪后的實(shí)體標(biāo)注肝癌病理文本數(shù)據(jù)集；將增強(qiáng)后的實(shí)體標(biāo)注肝癌病理文本數(shù)據(jù)集與訓(xùn)練集的標(biāo)簽soft label進(jìn)行合并，得到訓(xùn)練數(shù)據(jù)集；

S4：將訓(xùn)練集中的數(shù)據(jù)輸入到命名實(shí)體抽取模型中進(jìn)行訓(xùn)練，得到識(shí)別結(jié)果；

S5：根據(jù)識(shí)別結(jié)果計(jì)算模型的損失函數(shù)，采用AdamW優(yōu)化器、基于余弦退火的學(xué)習(xí)率調(diào)整算法以及快照集成學(xué)習(xí)對(duì)模型的參數(shù)進(jìn)行調(diào)整，當(dāng)損失函數(shù)的值達(dá)到最小時(shí)，完成模型的訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的一種用于肝癌病理文本命名的實(shí)體識(shí)別方法，其特征在于，對(duì)肝癌病理文本數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行實(shí)體標(biāo)注的過程包括：將已知的標(biāo)注數(shù)據(jù)作為先驗(yàn)知識(shí)獲取具有權(quán)威性的原發(fā)性肝癌規(guī)范化病理診斷指南，根據(jù)原發(fā)性肝癌規(guī)范化病理診斷指南劃分出肝癌病理十大類實(shí)體，并整理出體系化十大類實(shí)體標(biāo)注導(dǎo)圖；每個(gè)導(dǎo)圖中包含每個(gè)實(shí)體的不同描述、情況以及參考文獻(xiàn)；根據(jù)十大類實(shí)體標(biāo)注導(dǎo)圖對(duì)未標(biāo)注的肝癌病理文本編寫自動(dòng)化標(biāo)注腳本，得到實(shí)體標(biāo)注的數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的一種用于肝癌病理文本命名的實(shí)體識(shí)別方法，其特征在于，在對(duì)肝癌病理文本數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行實(shí)體標(biāo)注的過程中根據(jù)實(shí)體的描述和屬性去除冗余和無用的實(shí)體，保留實(shí)體重疊的部分，以確定實(shí)體的識(shí)別的完整性和正確性。

4.根據(jù)權(quán)利要求1所述的一種用于肝癌病理文本命名的實(shí)體識(shí)別方法，其特征在于，進(jìn)行實(shí)體標(biāo)注的類別包括：“腫瘤位置”、“腫瘤組織學(xué)類型”、“腫瘤分化程度”、“腫瘤數(shù)量”、“腫瘤大小”、“微血管癌栓”、“衛(wèi)星子灶”、“肝硬化程度”、“病理分期”、“包膜”；其中標(biāo)記的類別為數(shù)據(jù)的第i個(gè)字段的一個(gè)字段位置mi。

5.根據(jù)權(quán)利要求1所述的一種用于肝癌病理文本命名的實(shí)體識(shí)別方法，其特征在于，采用半監(jiān)督-自訓(xùn)練方式得到訓(xùn)練集的標(biāo)簽soft label的過程包括：將具有原始標(biāo)注數(shù)據(jù)的病理文本輸入到BERT_CRF模型中進(jìn)行訓(xùn)練驗(yàn)證，選取驗(yàn)證集上f1值最高的一個(gè)模型作為NER教師模型；采用NER教師模型對(duì)未標(biāo)注肝癌病理文本數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果為soft標(biāo)簽；將得到soft標(biāo)簽的數(shù)據(jù)作為增強(qiáng)數(shù)據(jù)，將增強(qiáng)數(shù)據(jù)病理文本與原始標(biāo)注數(shù)據(jù)的病理文本進(jìn)行合并，得到訓(xùn)練集的標(biāo)簽soft label。

6.根據(jù)權(quán)利要求1所述的一種用于肝癌病理文本命名的實(shí)體識(shí)別方法，其特征在于，采用十折模型對(duì)實(shí)體標(biāo)注的肝癌病理文本數(shù)據(jù)集進(jìn)行去噪處理的過程包括：對(duì)已經(jīng)標(biāo)注的肝癌病理文本進(jìn)行檢查，判斷是否存在漏標(biāo)和誤標(biāo)情況；將漏標(biāo)和誤標(biāo)的肝癌病理文本進(jìn)行刪除，將刪除后的標(biāo)注肝癌病理文本輸入到十折交叉模型中，去除模型低置信度的結(jié)果，得到增強(qiáng)去噪后的實(shí)體標(biāo)注肝癌病理文本數(shù)據(jù)集。