电子病历结构化之实体识别(附完整项目代码)

对于医学领域的自然语言文献，例如医学教材、医学百科、临床病例、医学期刊、入院记录、检验报告等，这些文本中蕴含大量医学专业知识和医学术语。将实体识别技术与医学专业领域结合，利用机器读取医学文本，可以显著提高临床科研的效率和质量，并且可服务于下游子任务。医学领域中非结构化的文本，都是由中文自然语言句子或句子集合组成。实体抽取是从非结构化医学文本中找出医学实体，如疾病、症状的过程。

电子病历结构化解析

如上图所示，医院证明本文实现的是对案件的诊断，疾病，病历证明、入院记录（主诉，现病史，既往史等），出院记录（诊治过程）进行实体识别，并对疾病和体征的患者患病与否进行标注。

一、任务拆解

模块一： span-based 命名实体识别模型

1. 该模块识别并抽取出与医学临床相关的实体，并将他们归类到预先定义好的类别。将医学文本命名实体划分为九大类，包括：疾病(dis)，临床表现(sym)，药物(dru)，医疗设备(equ)，医疗程序(pro)，身体(bod)，医学检验项目(ite)，微生物类(mic)，科室(dep)

数据集：Cblue-CmeEE

模型：Efficient GlobalPointe(Roberta wwm)

GlobalPointer多头识别嵌套实体

GlobalPointer是由苏剑林大佬提出来的一个span-based NER模型，可以很好的解决实体嵌套的问题，相比于"LSTM/BERT+CRF"的模型结构，GlobalPointer的设计更为优雅。

模型结构

如上图所示，右上三角的蓝色为序列中可能取到的实体，假设序列长度为 n ,则该序列能取到的可能的实体个数为 n(n+1)/2 个。假设有 m 种实体分类，则该问题转化为 m 个" n(n+1)/2 选 k "的问题。

序列encode我们通常用bert来做，encode过后，第 i 个位置和第 j 个位置的表示分别为