[發明專利]醫學實體的分類提取方法、裝置、電子設備及存儲介質

有效

• 申請號: 202110905944.3
• 申請日: 2021-08-09
• 公開（公告）號: CN113343703B
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 史鵬濤;劉嬌;張奇
• 申請（專利權）人: 北京惠每云科技有限公司
• 主分類號: G06F40/295
• 分類號: G06F40/295;G06F40/242;G16H10/60
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 畢翔宇

本申請提供了一種醫學實體的分類提取方法、裝置、電子設備及存儲介質，獲取醫療數據中的待識別文本，確定實體特征，實體特征包括單字向量、雙字位置、雙字頻率、切詞特征和小粒度特征；將實體特征輸入至分類提取模型中，得到醫學實體對應的至少一個標簽，以從待識別文本中提取出至少一個標簽對應的醫學實體；分類提取模型是通過文本樣本的標注數據、偽標簽數據、小粒度詞典和字向量詞典訓練得到的，偽標簽數據、小粒度詞典和字向量詞典通過將文本樣本輸入至預先訓練好的特征提取模型確定出的，特征提取模型通過文本樣本的標注數據訓練得到。這樣，本申請使用的分類提取模型在從醫療數據中提取標簽和實體時的速度更快，準確率更高。

技術領域

本申請涉及數據處理技術領域，具體而言，涉及一種醫學實體的分類提取方法、裝置、電子設備及存儲介質。

背景技術

醫學領域中的電子病歷包含豐富的醫療數據，為了更好的使用電子病歷，需要從電子病歷的醫療數據中提取出不同類別的醫學實體。

醫學實體分類提取是指從電子病歷中提取解剖部位、診斷、腫瘤分期和藥品名稱等醫學實體。目前常用的電子病歷醫學實體分類提取方法主要是基于深度學習方法，常用模型是BERT-CRF和BiLSTM-CRF。如果選擇BiLSTM-CRF模型，則需要大量的標記數據，但是缺少中文電子病歷的公開語料，且醫學標注需要專業性較強的專家進行數據標注，需要投入的人力物力太大；如果選擇BERT-CRF模型，雖然可以減輕標注的任務，但是模型太大，很難在醫院里部署。

發明內容

有鑒于此，本申請的目的在于提供一種醫學實體的分類提取方法、裝置、電子設備及存儲介質，通過標注數據訓練特征提取模型，通過訓練好的特征提取模型確定偽標簽數據、小粒度詞典和字向量詞典，通過標注數據、偽標簽數據、小粒度詞典和字向量詞典訓練分類提取模型，以使得到的分類提取模型在從醫療數據中提取標簽和實體時的速度更快，準確率更高。

第一方面，本申請實施例提供了一種醫學實體的分類提取方法，所述分類提取方法包括：

獲取醫療數據中的待識別文本；

確定所述待識別文本的實體特征，所述實體特征包括單字向量、雙字位置、雙字頻率、切詞特征和小粒度特征；

將確定出的實體特征輸入至預先訓練好的分類提取模型中，得到所述待識別文本中的醫學實體對應的至少一個標簽，以從所述待識別文本中提取出所述至少一個標簽對應的醫學實體；其中，所述分類提取模型是通過文本樣本的標注數據、偽標簽數據、小粒度詞典和字向量詞典訓練得到的，所述偽標簽數據、所述小粒度詞典和所述字向量詞典是通過將文本樣本輸入至預先訓練好的特征提取模型而確定出的，所述特征提取模型是通過所述文本樣本的標注數據訓練得到的。

可選地，通過以下步驟訓練所述特征提取模型：

從醫療數據中確定未標注的文本樣本和所述文本樣本的標注數據；

將所述未標注的文本樣本輸入至預先構建好的特征提取模型中，輸出多組實體位置，其中，每組實體位置依次包括一個實體開始位置和一個實體結束位置；

將輸出的實體開始位置和實體結束位置之間的字符組成一個醫學實體；

將得到的每個醫學實體與所述文本樣本的標注數據中對應標注的醫學實體進行比對，在比對結果均一致的情況下，得到訓練好的特征提取模型。

可選地，所述偽標簽數據、所述小粒度詞典和所述字向量詞典是通過將文本樣本輸入至預先訓練好的特征提取模型而確定出的步驟，包括：

將所述文本樣本輸入至預先訓練好的特征提取模型中，輸出多組實體位置，其中，每組實體位置依次包括一個實體開始位置和一個實體結束位置，將所述實體開始位置和所述實體結束位置之間的字符組成一個醫學實體；

基于預先標注好的字符與標簽之間的映射關系，確定所述醫學實體對應的偽標簽數據；