实体抽取是将信息中的实体进行识别、联系的一个过程。在医学领域中,虽然诊疗记录、医学文献众多,但由于医疗实体抽取的复杂性和应用标准的严格性,大多数的数据库还是专家手工创建,不仅费时费力且效率极低。因此,更准确的从医学文本中进行自动实体识别和关系抽取,将很大程度上改善医学工作者的工作效率,也反过来对生物医学领域起到促进作用。具体研究内容如下:(1)对医学领域的实体识别进行研究。由于医疗文本中术语严格,医疗实体也有多种多样,传统的识别方法并不适应于医疗领域。因此构建了机器学习与深度学习的一体化模型(RCBR)。在NCBIS数据集上进行医疗实体按类型识别实验,与其它神经网络模型(CRF、SVM等)进行对比实验。结果表明,RCBR模型能高效的从医学文本中识别多类型的医疗实体,F值达到92.87%,取得上佳效果。(2)对医学领域的疾病与病状实体关系抽取进行研究。由于病状实体过于冗长,需要联系上下文疾病实体的信息。因此,构建了 CNN和Bi-GRU的注意力机制门控模型(DCAGC)。在BioCreative V CDR语料库上使用DCAGC模型进行疾病与病状实体关系抽取,与其它神经网络模型(CNN、Bi-LSTM等)进行对比实验。结果表明,DCAGC模型表现最好,在语料库上取得了 94.58%的F值。(3)在上述背景下,将实体识别模型算法应用到预问诊医疗服务系统,目的是方便医生优化就医过程。系统从需求分析、设计与实现、测试三方面进行论述,其中需求分析部分通过用例图进行描述;设计与实现部分包含功能设计与ER图的数据层描述;测试部分进行了环境与功能的测试。