论文部分内容阅读
在医学领域中,大量的信息以非结构化的方式存在于医学文献、技术文档以及病人病历中,从这些非结构化信息中自动提取重要的信息服务于临床决策、数据挖掘等各类临床信息系统,是当前医学领域非结构化信息处理面临的一大挑战。如何在医学领域中对非结构化医学信息中的疾病名、药物名、症状等命名实体进行识别,是信息抽取技术应用面临的重要问题。相较于其他领域,目前医学命名实体识别主要存在以下问题:1)对于不断增长的医学命名实体的数目,传统的特征提取方法无法获得充分的特征信息,没有充分利用医学概念的约束、实例以及概念之间的关系。2)在命名实体识别的分类过程中,单纯依靠一种分类方法无法达到高准确率的分类结果。现有机器学习算法SVM-KNN(Support Vector Machine-K Nearest Neighbor)算法,在样本数据分布不均以及不恰当K值的情况下可能出现无法分类或者分类准确度降低的情况。针对上述问题,在对命名实体识别的特征提取、分类算法以及本体等相关技术深入分析的基础上,本文提出了一种基于本体的扩展特征向量提取模型以及改进的SVM-KNN算法。在此基础上设计并实现了一个基于UIMA(Unstructured Information Management Architecture)框架的医学命名实体识别分析引擎Menera(Medical Named Entity Recognition Analysis),开发了一个以肾活检病理检查报告为例的医学临床信息抽取原型系统,将该引擎应用于原型系统中,进行扩展特征向量提取模型和改进SVM-KNN算法的实验分析。本文的具体工作主要有以下几方面:(1)提出了一种基于本体的扩展特征向量提取模型。该模型通过分析本体约束、属性以及实例之间相互关系,对由样本标注所获得的正、反例特征向量集合进行扩展,避免停用词以及领域无关词的错误分类。(2)提出一种扩展K值的SVM-KNN分类算法。该算法避免了在样本分布不均以及不合适K值时所造成的错误判断以及不可分类情况。改进的算法在保留初始K值的基础上,计算合适的扩展K值,加入惩罚参数以及距离因子,进一步提高分类的精确度。(3)在上述工作基础上,设计并实现了一个基于UIMA框架的医学命名实体分析引擎Menera。该引擎采用基于本体的扩展特征向量提取模型以及改进的SVM-KNN算法,对医学命名实体进行识别。(4)以肾活检病理检查报告为例开发了一个医学临床信息抽取原型系统,以该原型系统为实验环境,应用Menera引擎,对基于本体的扩展特征向量模型以及扩展K值的SVM-KNN分类算法进行实验分析。实验结果表明,采用基于本体的扩展特征向量提取模型在对肾小球实体识别上获得了86.16%的准确率以及83.34%的召回率,优于仅由样本生成特征向量集合的实验结果。此外,对比试验表明扩展K值的SVM-KNN算法可避免由K值取值不当造成的无法分类情况,对肾小球实体识别的准确率与召回率达到了86.16%以及84.12%,均高于未改进的SVM-KNN算法和SVM算法。