Resumen

Los textos médicos en línea están repletos de referencias a entidades médicas (EM), que resultan valiosas en muchas aplicaciones, como la construcción de conocimientos médicos (CB), los sistemas de apoyo a la toma de decisiones y el tratamiento de enfermedades. Sin embargo, la naturaleza diversa y ambigua de las formas superficiales plantea una gran dificultad para la identificación de las EM. Muchas de las soluciones existentes se han centrado en enfoques supervisados, que a menudo dependen de la tarea. En otras palabras, aplicarlos a diferentes tipos de corpus o identificar nuevas categorías de entidades requiere un gran esfuerzo en la anotación de datos y la definición de características. En este artículo, proponemos unMERL, un marco no supervisado para reconocer y vincular entidades médicas mencionadas en textos médicos chinos en línea. Para el reconocimiento de ME, unMERL explota primero un enfoque basado en el conocimiento para extraer entidades candidatas del texto libre. A continuación, se determinan las categorías de las entidades candidatas mediante un enfoque semántico distribuido. Para la vinculación de ME, proponemos un enfoque de inferencia colaborativa que aprovecha al máximo el conocimiento heterogéneo de las entidades y la información no estructurada de la KB. Los resultados experimentales en corpus reales demuestran ventajas significativas en comparación con enfoques recientes, tanto en el reconocimiento como en la vinculación de ME.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:Reconocimiento de ME, entidades candidatas, entidades médicas, texto médico chino en línea, texto médico en línea, enfoque de inferencia colaborativa, sistemas de apoyo a la decisión, conocimiento heterogéneo de entidades, nuevas categorías de entidades, KB
• Keywords:ME recognition, candidate entities, medical entities, Chinese online medical text, Online medical text, collaborative inference approach, decision support systems, heterogenous entity knowledge, new entity categories, KB