藥物不良反應(yīng)檢測(cè)對(duì)于用藥安全與保證治療效果有重要意義。傳統(tǒng)通過(guò)檢索人工構(gòu)建的相關(guān)知識(shí)庫(kù)來(lái)實(shí)現(xiàn)藥物不良檢測(cè)的方式低效且易錯(cuò),很難帶來(lái)真正的臨床價(jià)值。隨著人工智能技術(shù)近年來(lái)的快速發(fā)展,利用神經(jīng)網(wǎng)絡(luò)檢測(cè)藥物不良反應(yīng)的方法展現(xiàn)出了巨大的應(yīng)用潛力,但目前的研究普遍以先抽取實(shí)體,再判斷實(shí)體之間關(guān)系的序列化方式解決問(wèn)題,這樣的方式會(huì)帶來(lái)誤差傳遞、信息冗余等問(wèn)題。針對(duì)上述問(wèn)題,提出了一種基于標(biāo)注策略的多任務(wù)神經(jīng)網(wǎng)絡(luò),將藥物不良反應(yīng)與藥物相互作用兩個(gè)任務(wù)建模為一個(gè)序列標(biāo)注問(wèn)題以提升模型的最終性能。實(shí)驗(yàn)結(jié)果表明,在相關(guān)國(guó)際比賽與公開(kāi)任務(wù)的數(shù)據(jù)集上,提出的多任務(wù)神經(jīng)網(wǎng)絡(luò)在不同的評(píng)價(jià)指標(biāo)上都取得了顯著的提升。 

【文章來(lái)源】：控制工程. 2020,27(07)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

ADE與DDI任務(wù)示例

具體如何通過(guò)自定義的標(biāo)簽策略完成多任務(wù)聯(lián)合抽取的過(guò)程，如圖2所示。在圖2中，句子中的每個(gè)單詞都被分配了一個(gè)預(yù)定義的標(biāo)簽，每個(gè)標(biāo)簽由3部分組成。第一部分表示抽取到的關(guān)系類(lèi)型，其中DDI任務(wù)中有4種關(guān)系，分別是“advice”“effect”,“mechanism”，“int”,ADE任務(wù)中只有“ADE”一種關(guān)系類(lèi)型；第二部分表示該實(shí)體所屬的實(shí)體類(lèi)型，DDI任務(wù)中只有藥物一種實(shí)體類(lèi)型，ADE任務(wù)中存在藥物(Drug)、副作用(SideEffect)兩種實(shí)體類(lèi)型；第三部分參照傳統(tǒng)序列標(biāo)注任務(wù)的“BIOES”標(biāo)簽策略，用來(lái)表示該單詞在實(shí)體中的位置，其中，“B”來(lái)表示該單詞為實(shí)體的起始位置，“I”表示單詞的中間位置，“E”表示單詞的結(jié)尾位置，如果單詞長(zhǎng)度為1，則分配一個(gè)“S”標(biāo)簽，“O”標(biāo)簽表示該單詞不適于任何一個(gè)實(shí)體。最終針對(duì)DDI與ADE任務(wù)按上述策略設(shè)計(jì)了一套特定的標(biāo)簽集合，用于多任務(wù)聯(lián)合神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)輸入單詞的最終的分類(lèi)。該標(biāo)簽集合內(nèi)含有(4+1)*(1+2)*5=75種標(biāo)簽，使用這些標(biāo)簽可以將ADE與DDI兩個(gè)任務(wù)中的NER與RC兩個(gè)子步驟（共計(jì)4個(gè)子任務(wù)）用一個(gè)網(wǎng)絡(luò)模型同時(shí)完成。

規(guī)則3：若最終的預(yù)測(cè)標(biāo)簽長(zhǎng)度大于2，且開(kāi)始標(biāo)記為B，結(jié)束標(biāo)記為E，則預(yù)測(cè)結(jié)束標(biāo)簽中的三部分為I。整體模型結(jié)構(gòu)，如圖3所示。此規(guī)則過(guò)濾器與條件隨機(jī)場(chǎng)(CRF)的作用類(lèi)似，可以使得模型的輸出更加符合“BIOES”規(guī)則。實(shí)驗(yàn)證明，相比于時(shí)間復(fù)雜度較高的CRF，針對(duì)于ADE與DDI任務(wù)，相對(duì)簡(jiǎn)單快捷的規(guī)則過(guò)濾器可以達(dá)到相近的性能表現(xiàn)。

【參考文獻(xiàn)】：
博士論文
[1]基于機(jī)器學(xué)習(xí)方法的藥物不良反應(yīng)預(yù)測(cè)及分析[D]. 楊帆.山東大學(xué) 2017



本文編號(hào)：3273778