论文部分内容阅读
疾病一直是威胁人类健康的一大因素。因此,如果人们能够对疾病具有更多的了解,就能够提前做好预防措施。然而与疾病相关的文献呈指数增长,且新的疾病层出不穷,想要手动获取感兴趣的疾病信息如大海捞针一样困难,因此自动疾病识别是该领域研究者面临的挑战。一种疾病可能有不同的表示方式,一种表示方式也可能代表不同的疾病,想要对一种疾病有更多的了解,便希望用该类疾病的一种描述方式就能查询出该类疾病的所有描述方式对应的信息。因此疾病标准化的任务对于涉及到疾病的很多研究工作是很重要的,包括病因(如基因-疾病关系)和临床方面(如诊断、预防和治疗)。目前,关于基因(蛋白质)实体识别的研究已经日趋成熟,但是疾病实体识别仍然是一个较新的研究方向。针对疾病实体识别的任务,本文给出了一种CRF结合词典的疾病命名实体识别方法。该方法首先使用PharmGKB的疾病资源构建疾病词典,然后使用CRF与词典相结合的方法对疾病实体进行识别,接着使用全称-缩写词对的上下文线索调整识别结果。该方法在NCBI测试集上得到了83.82%的F值。最后,我们将疾病实体识别的研究方法转化成疾病实体识别系统DNER,该系统以可视化的形式对识别出来的疾病实体进行高亮显示。在疾病实体识别的基础上,本文对疾病实体进行了标准化。本文给出一种基于语义资源的疾病标准化方法。传统的疾病标准化方法由于数据库中疾病标识符的信息不够完整,不能很好的确定疾病实体在当前上下文中的具体含义。本文利用MEDIC疾病词汇表中疾病定义信息以及MEDLINE的摘要信息为数据库中的疾病标识符扩展了语义信息,通过计算模糊疾病实体的上下文信息与候选实体描述信息的相似度,从而找到与该歧义疾病实体相关的疾病标识。该方法在NCBI测试集上得到了79.49%的宏平均结果和79.70%的微平均结果。