基于深度学习的医疗数据智能分析算法研究

朱铁兵，柏志安

（上海交通大学医学院附属瑞金医院计算机中心，上海 200025）

在现代医疗技术中，医疗预测的成本较大，在可用性上也受到了限制，现代电子病历的智能分析[1-2]有望成为一种迅速、低成本的解决方案。电子病历由医务人员在临床医疗活动中使用健康信息系统捕获，包含详细描述患者健康状况的文字、符号、图表、图形、数字与图像，主要由结构化与非结构化数据组成。其中，非结构化数据包括自由样式的文本[3-4]，如主要症状、病程进度与出院总结。尽管这些文本特征便于记录疾病、症状、测试和治疗，但对自动挖掘医疗信息以构建智能辅助诊断的临床决策系统造成了障碍。为消除这些障碍，命名实体识别技术被广泛应用于电子病历中疾病、症状、测试与治疗信息的抽取[5-6]。但目前国内外对命名实体识别的研究，主要集中在传统的命名实体模型能否有效识别EMRs中的命名实体。此外，由于缺乏可供研究的资源，从中文命名实体中挖掘命名实体的研究较少[7]。

近年来，深度学习技术作为一种流行的大数据分析方法，在一些研究中被应用于提高网络学习机器的性能[8-10]。然而，目前的研究主要集中在利用传统的NER 方法从EMRs 中挖掘命名实体[11-12]，且没有一个模型能够在无需传统机器学习模型的帮助下通过深度学习的方式在EMRs 中实现[13-14]。虽然深度学习已成为构建神经网络模型的一种有效的特征提取方法，但在复杂的特征提取与选择的过程中必须依赖于传统的机器学习模型，如支持向量机(SVM)或条件随机场(CRF)来构建这些神经网络模型[15-16]。……