基于BERT的临床知识提取用于生物医学知识图谱的构建和分析

​

BERT Based Clinical Knowledge Extraction for Biomedical Knowledge Graph
Construction and Analysis

解决问题：本文旨在提出一种基于BERT模型的临床文本知识提取方法，以构建和分析生物医学知识图谱。该方法旨在解决生物医学领域中大量且不断增长的知识的组织和检索问题。

关键思路：本文的关键思路是使用BERT模型和CRF层进行临床文本知识提取，构建生物医学知识图谱，并使用自然语言处理模型进行命名实体识别和关系提取。相比当前领域的研究，本文的思路在使用BERT模型和CRF层进行临床文本知识提取方面具有新意。

其他亮点：本文使用了505个真实世界的患者生物医学非结构化临床笔记进行实验，实验结果表明，该方法可以成功地提取相关结构化信息，并取得了较高的准确性（命名实体识别90.7％，关系提取88％）。本文的贡献在于提出了一种新的基于BERT模型的临床文本知识提取方法，可以为生物医学领域的知识组织和检索提供有效的解决方案。

关于作者：本文的主要作者包括Ayoub Harnoune、Maryem Rhanoui、Mounia Mikram、Siham Yousfi和Zineb Elkaimbillah。他们分别来自摩洛哥的蒙特普利埃大学和阿卜杜拉国王大学。他们之前的代表作不在我的数据库中。

相关研究：近期其他相关的研究包括：

1. “A Knowledge Graph-Based Approach for Drug-Drug Interaction Prediction”，作者为Guangyu Sun、Yongheng Fan等，来自中国的浙江大学。
2. “Knowledge Graph Embedding with Iterative Guidance from Soft Rules”，作者为Jiaxin Mao、Zhengjie Miao等，来自美国的加州大学洛杉矶分校。
3. “A Hybrid Approach for Constructing a Knowledge Graph of Chinese Herbal Medicine”，作者为Yingying Wang、Yongheng Fan等，来自中国的浙江大学。

论文摘要：本文介绍了一种基于BERT模型和条件随机场（CRF）层的医学临床笔记知识提取和分析的端到端方法。该方法基于知识图谱，可以有效处理医学实体之间的关系和相互作用等抽象医学概念。通过自然语言处理模型进行命名实体识别和关系提取，构建了一种医学知识图谱，并成功地用于问答系统。实验结果表明，该框架可以在真实的505个患者医学非结构化临床笔记中，以较高的准确率（命名实体识别90.7％，关系提取88％）成功提取相关结构化信息。本文提出了一种从临床文本构建医学知识图谱的新型端到端系统。

​Read More