隨著醫(yī)療行業(yè)信息技術的引入,該行業(yè)的信息化和自動化水準不斷提高。醫(yī)學文本信息處理技術正逐漸成為一個新的研究熱點。醫(yī)療文本,以電子病歷為代表,包含了大量豐富的醫(yī)療信息,是進行疾病預測、個性化信息推薦、臨床決策支持、用藥模式挖掘等的重要資源,并且可以以此為基礎進行醫(yī)院機構服務價值的衡量。醫(yī)學文本中盡管蘊藏著豐富的醫(yī)療知識,但處理起來也更加困難。由于以電子病歷為主的醫(yī)療文本中包括大量非結構化的自由文本以及圖像影像信息,且醫(yī)生自行錄入可能導致文本的拼寫錯誤、醫(yī)學名詞簡寫以及不同醫(yī)生不同地區(qū)的慣用語,電子病歷中所包含的醫(yī)療信息還不能被計算機有效利用。因此,機器學習和自然語言處理相關技術將在醫(yī)學文本的分析和挖掘中發(fā)揮重要作用。為了更好地探索和利用醫(yī)學文本,特別是電子病歷的半結構化和非結構化信息,對其中非結構化自由文本進行標準化和結構化非常的重要,而醫(yī)療信息對時間特征具有較高的敏感性,使得時間信息也成為了更好分析醫(yī)療文本必不可少的因素。傳統(tǒng)的文本分類需要先進行一系列預處理和特征工程的建模,在醫(yī)療文本中存在大量的專業(yè)術語和知識、不準確的分詞或難以理解的語義特征會影響分類的正確性。醫(yī)療文本被分析處理,最... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：124 頁

【學位級別】：博士

【部分圖文】：

論文組織結構

神經(jīng)網(wǎng)絡己經(jīng)從簡單的架構發(fā)展到了結構越來越復雜。最初，神經(jīng)網(wǎng)絡只有輸??入和輸出層，稱為單層神經(jīng)網(wǎng)絡，但由于其結構簡單，只能用于解決線性分類問題。??通過添加更多的層，形成了由輸入層，隱藏層和輸出層組成的多層神經(jīng)網(wǎng)絡。非線??性前饋神經(jīng)網(wǎng)絡，可以在實數(shù)空間近似任何連續(xù)函數(shù)。??一般來說隱藏層大于２的神經(jīng)網(wǎng)絡就叫做深度神經(jīng)網(wǎng)絡，深度學習就是采用??像深度神經(jīng)網(wǎng)絡這種深層架構的一種機器學習方法。深層網(wǎng)絡可以用少得多的神??經(jīng)元去擬合同樣的函數(shù)，其表達能力更強，且更能省資源。??此時的人工神經(jīng)網(wǎng)絡雖然也稱為多層感知器，但實際上是一個只有一個隱藏??層節(jié)點的淺層模型。??目前，大多數(shù)分類，回歸和其他學習方法都是淺層結構算法。復雜分類問題的??泛化能力有限。深度學習可以通過表征深度非線性網(wǎng)絡結構和表征輸入數(shù)據(jù)的分??布式表示來實現(xiàn)復雜的函數(shù)逼近。它還展示了從小樣本集中學習數(shù)據(jù)集基本特征??的強大能力。（多層的好處是您可以用更少的參數(shù)表示復雜的功能）。??深度學習架構主要可分為如下３類：１）生成式深度架構（Ｇｅｎｅｒａｔｉｖｅ?ｄｅｅｐ??

２．２．２卷積神經(jīng)網(wǎng)絡??卷積神經(jīng)網(wǎng)絡被設計用于處理多維陣列數(shù)據(jù)，例如具有３個顏色通道和３個??像素值２－Ｄ圖像的彩色圖像。許多數(shù)據(jù)形式都是這樣的多維數(shù)組：１Ｄ用于指示??信號和序列包括語言，２Ｄ用于表示圖像或聲音，３Ｄ用于表示具有聲音的視頻或圖??像。卷積神經(jīng)網(wǎng)絡使用四個關鍵概念來利用自然信號的特性：本地連接，權重共享，??池化以及多個網(wǎng)絡層的使用。??１９５９年，Ｈｕｂｅｉ和Ｗｉｅｓｅｌ通過貓視覺皮層細胞的研究提出了感受野的概念１８１］。??１９８２年，日本學者福島提出了一種基于感受野概念的新認識［８５］，它試圖對視覺系??統(tǒng)進行建模，即使物體移位或輕微變形。＇??一個典型的卷積神經(jīng)網(wǎng)絡結構如圖２－３是由一系列的過程組成的。前幾個階??段由卷積層和匯集層組成，卷積層的單元組織在特征映射中。在特征映射中，每個??單元通過一組稱為過濾器的權重連接到前一層的特征映射的部分塊。然后將該局??部加權和傳遞給非線性函數(shù)，例如ＲｅＬＵ。一個要素圖中的所有單元格都享有相同??的過濾器，不同圖層的要素圖使用不同的過濾器。使用這種結構出于兩方面的原??因。

【參考文獻】：
期刊論文
[1]基于電子病歷的胃癌治療方案輔助選擇[J]. 夏冬,李國壘,陳先來.  中華醫(yī)學圖書情報雜志. 2018(02)
[2]一種面向突發(fā)事件的文本語料自動標注方法[J]. 劉煒,王旭,張雨嘉,劉宗田.  中文信息學報. 2017(02)
[3]大規(guī)模情感詞典的構建及其在情感分類中的應用[J]. 趙妍妍,秦兵,石秋慧,劉挺.  中文信息學報. 2017(02)
[4]基于改進的卷積神經(jīng)網(wǎng)絡的中文情感分類[J]. 張綺琦,張樹群,雷兆宜.  計算機工程與應用. 2017(22)
[5]中文病歷文本分詞方法研究[J]. 李國壘,陳先來,夏冬,楊榮.  中國生物醫(yī)學工程學報. 2016(04)
[6]基于長短期記憶多維主題情感傾向性分析模型[J]. 滕飛,鄭超美,李文.  計算機應用. 2016(08)
[7]基于混合策略的公眾健康領域新詞識別方法研究[J]. 侯麗,李姣,侯震,陳松景.  圖書情報工作. 2015(23)
[8]基于卷積神經(jīng)網(wǎng)絡的微博情感傾向性分析[J]. 劉龍飛,楊亮,張紹武,林鴻飛.  中文信息學報. 2015(06)
[9]基于極性轉移和LSTM遞歸網(wǎng)絡的情感分析[J]. 梁軍,柴玉梅,原慧斌,高明磊,昝紅英.  中文信息學報. 2015(05)
[10]中英命名實體識別及對齊中的中文分詞優(yōu)化[J]. 尹存燕,黃書劍,戴新宇,陳家駿.  電子學報. 2015(08)

博士論文
[1]基于深度學習的文本表示與分類方法研究[D]. 閆琰.北京科技大學 2016
[2]基于深度學習的短文本分析與計算方法研究[D]. 李巖.北京科技大學 2016
[3]文本分類關鍵技術及應用研究[D]. 鳳麗洲.吉林大學 2015

碩士論文
[1]基于醫(yī)學語言處理的面向任務的信息提取框架構建及應用[D]. 葛彩霞.浙江大學 2015
[2]面向文本分類的特征提取算法研究[D]. 彭君睿.北京郵電大學 2014
[3]中文病歷文本的時間信息提取研究[D]. 周小甲.浙江大學 2011
[4]電子病歷的時態(tài)數(shù)據(jù)研究[D]. 張潔.中南大學 2008
[5]中文Web文本分類技術研究[D]. 曹勇.廈門大學 2007



本文編號：3582245