Resumen

Una tarea esencial en la extracción de información del corpus médico es el reconocimiento de nombres de medicamentos. En comparación con las fuentes de texto procedentes de otros ámbitos, la minería de textos médicos plantea más desafíos, por ejemplo, un texto más desestructurado, el rápido crecimiento de la adición de nuevos términos, una amplia gama de variación de nombres para el mismo fármaco, la falta de fuentes de conjuntos de datos etiquetados y de conocimiento externo, y las múltiples representaciones de tokens para un solo nombre de fármaco. Aunque se han propuesto muchos enfoques para superar la tarea, siguen existiendo algunos problemas con un bajo rendimiento de la puntuación F (inferior a 0,75). Este artículo presenta un nuevo tratamiento en las técnicas de representación de datos para superar algunos de esos retos. Proponemos tres técnicas de representación de datos basadas en las características de la distribución de las palabras y las similitudes de las palabras como resultado del entrenamiento de incrustación de palabras. La primera técnica se evalúa con el modelo de NN estándar, es decir, MLP. La segunda técnica incluye dos clasificadores de red profunda, es decir, DBN y SAE. La tercera técnica representa la frase como una secuencia que se evalúa con un modelo NN recurrente, es decir, LSTM. En la extracción de las entidades de nombres de fármacos, la tercera técnica ofrece el mejor rendimiento de puntuación F en comparación con el estado del arte, siendo su puntuación F media de 0,8645.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:técnicas de representación de datos, rendimiento de la puntuación, terceras técnicas, modelo nn recurrente, fuente de conjunto de datos etiquetados, rango de nombre, representación de tokens múltiples, minería de textos médicos, clasificador de red profunda, adición de nuevos términos
• Keywords:data representation techniques, score performance, third techniques, recurrent nn model, labeled dataset source, range of name, multiple token representation, medical text mining, deep network classifier, new terms addition