甲狀腺控制著人體的代謝活動,影響人體的每個器官功能。近年來,從醫(yī)院的統(tǒng)計數(shù)據(jù)來看,患甲狀腺疾病的人數(shù)逐年增加,嚴重影響人們的健康和正常生活。因此,如何治療甲狀腺疾病引起了全球范圍的關注。在甲狀腺臨床治療中,由于甲狀腺超聲報告包含了甲狀腺腺體背景、局灶性病變和頸部淋巴結等大量檢查信息,因此它成為了甲狀腺疾病臨床診斷的主要依據(jù)。醫(yī)生依據(jù)超聲報告的結果,憑借自身的醫(yī)學知識和臨床經(jīng)驗對甲狀腺結節(jié)良惡性等疾病類型進行病理診斷。但是,由于實際中不同醫(yī)生的醫(yī)學知識水平和臨床經(jīng)驗存在差異性,在一定程度上會造成疾病的誤診。近年來,隨著人工智能等技術的發(fā)展,人們嘗試利用計算機獲取并分析檢查報告中的內(nèi)容。臨床中的甲狀腺超聲報告文本大多以非結構化、半結構化的形式進行存儲,由于無法直接從中得到相應的醫(yī)療信息,很難將這些數(shù)據(jù)直接用于醫(yī)療統(tǒng)計分析和人工智能模型構建中。所以,類似甲狀腺超聲的醫(yī)療檢查文本報告的結構化成為了醫(yī)療人工智能領域研究的首要問題。本文提出了一種基于模板樹的甲狀腺超聲報告結構化方法,該方法中的模板樹可以通過對大量甲狀腺超聲報告中的詞性和句法關系的分析進行自動構建,然后通過對模板樹的掃描,實現(xiàn)了甲狀... 

【文章來源】：東華大學上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

B=7，L=5的CF聚類特征樹

圖 2-2 BIRCH 算法流程圖技術實體識別技術，從甲狀腺超聲報告訓練集中提取器官詞值各種實體，完成甲狀腺超聲報告詞性詞典的建立。為模用模板樹進行結構化提供詞性支持。隨著深度學習的不斷發(fā)展，深度學習廣泛應用于各領域，面。深度學習模型如 RNN、LSTM 都具有出色的序列建自然語言中的上下文關系信息的目的，同時具備神經(jīng)網(wǎng)絡于甲狀腺超聲報告中的文本之間互相關聯(lián)，為了更好保存息，本文使用深度學習中的雙向 Bi-LSTM+CRF 的實體識完成對甲狀腺超聲報告的命名實體識別。此模型通過對甲和后向序列分別進行處理，利用 LSTM 兩個單獨的隱藏來信息，然后連接兩個隱藏狀態(tài)以形成最終輸出，流程

圖 2-3 Bi-LSTM + CRF 模型流程圖第一層即文字向量輸入層。將文本序列中的每個漢字利用預先訓練好的字向進行字向量編碼并向量化，作為 Bi-LSTM 層的輸入。第二層即雙向 LSTM 層。在這層將提取每個輸入的句子特征，將句子中的每個字的字向量的序列作為雙向 LSTM 各個時間點的輸入。再將正向 LSTM 輸?shù)碾[狀序列與反向 LSTM 的在各個位置輸出狀態(tài)按位置進行拼接，得到完整隱狀態(tài)序列。第三層即 CRF 層。在經(jīng)過雙向 LSTM 層之后，使用 CRF 層進行 decode 即解，將 Bi-LSTM 層提取到的特征作為輸入，然后通過 CRF 層進行解碼，從此層輸入特征序列中計算每一個元素所屬的標簽。在 CRF 層計算每一個元素所屬的標簽的方法是：CRF 層通過算法計算從 Bi-TM 層提取得到的文本序列 X=(x1,x2,…,xn)的特征的聯(lián)合概率。定義大小為 n*m Bi-LSTM 輸出的概率矩陣，句子中的詞語數(shù)目為 n，句子中的標簽數(shù)目為 m，表示句子中第 i 個詞的標簽 j 的打分。因此，預測序列 X 對應的標簽 L（l1，l3，……ln）的打分公式如式（2-2）所示。

【參考文獻】：
期刊論文
[1]超聲在甲狀腺良惡性結節(jié)診斷中的應用[J]. 周祖榮.  影像研究與醫(yī)學應用. 2019(05)
[2]基于E-CNN和BLSTM-CRF的臨床文本命名實體識別[J]. 曹春萍,關鵬舉.  計算機應用研究. 2019(12)
[3]依存句法分析方法綜述[J]. 楊振鵬.  無線互聯(lián)科技. 2018(22)
[4]基于LSTM-CRF命名實體識別技術的研究與應用[J]. 張聰品,方滔,劉昱良.  計算機技術與發(fā)展. 2019(02)
[5]國外生物醫(yī)學文本語料庫分類及特點研究[J]. 晏歸來,安新穎,范少萍,周永稱.  醫(yī)學信息學雜志. 2018(10)
[6]生物醫(yī)學命名實體識別研究現(xiàn)狀及中文生物醫(yī)學命名實體識別難點與意義綜述[J]. 潘璀然,施維,薛均,王青華,王理,董建成.  醫(yī)學信息學雜志. 2018(03)
[7]命名實體識別研究綜述[J]. 劉瀏,王東波.  情報學報. 2018(03)
[8]基于深度神經(jīng)網(wǎng)絡的命名實體識別方法研究[J]. GUL Khan Safi Qamas,尹繼澤,潘麗敏,羅森林.  信息網(wǎng)絡安全. 2017(10)
[9]B超診斷甲狀腺結節(jié)性病變的應用價值[J]. 常虹,徐維華.  影像研究與醫(yī)學應用. 2017(10)
[10]基于Spark的BIRCH算法并行化的設計與實現(xiàn)[J]. 李帥,吳斌,杜修明,陳玉峰.  計算機工程與科學. 2017(01)

博士論文
[1]漢語依存句法分析關鍵技術研究[D]. 李正華.哈爾濱工業(yè)大學 2013

碩士論文
[1]面向醫(yī)療領域的命名實體識別[D]. 栗冬冬.哈爾濱理工大學 2018
[2]電子病歷數(shù)據(jù)的結構化分析與研究[D]. 張立君.青島科技大學 2018
[3]基于句法結構的術語關系抽取方法研究[D]. 周雯.北京交通大學 2017
[4]基于依存句法分析的超聲檢查報告結構化處理方法[D]. 田馳遠.東華大學 2017
[5]基于純文本的領域本體構建與實現(xiàn)[D]. 郭瑞.河北科技大學 2016
[6]基于領域詞典的移動醫(yī)療問題分類與問題相似度計算[D]. 尹京偉.深圳大學 2016
[7]基于遞歸神經(jīng)網(wǎng)絡的生物醫(yī)學命名實體識別[D]. 金留可.大連理工大學 2016
[8]基于詞典與機器學習的基因命名實體識別機制研究[D]. 夏光輝.北京協(xié)和醫(yī)學院 2013
[9]基于BIRCH改進算法的文本聚類研究[D]. 仰孝富.北京林業(yè)大學 2013



本文編號：2895586