Resumen

El reconocimiento de entidades clínicas (CNER) identifica entidades en registros médicos no estructurados y las clasifica en categorías predefinidas. Es de gran importancia para estudios clínicos de seguimiento. La mayoría de los métodos de CNER existentes no prestan suficiente atención a las características a nivel de radical chino y a la especialidad del campo chino. Este artículo propone el modelo Ra-RC, que combina características radicales y una estructura de aprendizaje profundo para solucionar este problema. Se utiliza un codificador bidireccional de representación de transformador (RoBERTa) para aprender características médicas a fondo. Al mismo tiempo, se emplea una red neuronal bidireccional de memoria a corto plazo (BiLSTM) para extraer información a nivel de radical y capturar la relevancia interna de las características y unir los autovectores generados por RoBERTa. Además, se considera la relación entre etiquetas para obtener la secuencia de etiquetas óptima aplicando el campo aleatorio condicional (CRF). Los resultados experimentales demuestran que el modelo propuesto

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Reconocimiento de entidades clínicas; Características a nivel de radical chino; Modelo Ra-RC; Estructura de aprendizaje profundo; Red neuronal bidireccional de memoria a largo plazo; Campo aleatorio condicional
• Keywords:Clinical named entity recognition; Chinese radical-level characteristics; Ra-RC model; Deep learning structure; Bidirectional long short-term memory network; Conditional random field