实习是医学生从学校向医院过渡的重要阶段,不管是操作技能的锻炼还是诊疗思维的培养,每个实习医师的素质成长都离不开带教医师的指导.作为当前较热门的辅助工具,文心一言等预训练语言模型对教学新业态的冲击已得到关注.虽然人工智能在文本生成、语言理解等方面有较大优势,但其引发的思维钝化及信任危机是不容忽视的问题.参与式教学法讲究"以学生为中心、师生共同参与",一般从课前准备、过程学习、课后评价三个方面落实.将人工智能和参与式教学法有效融合,有助于引导学生从被动学习向主动学习转化,可弥补单一教学方法各自存在的缺陷,提高教学效果.

目的/意义 改善中文电子病历命名实体识别模型的性能,更好地开展医疗信息的组织和挖掘.方法/过程 构建ERNIE-BiGRU-Attention-CRF中文电子病历命名实体识别模型,首先采用ERNIE1.0 预训练模型生成具有语义特征的词向量,然后利用BiGRU捕获全局语义特征与语法结构特征,通过Attention机制进一步增强语义特征的捕获,最后连接CRF解码层输出全局概率最大的标签序列.结果/结论 在公开的医疗文本数据集CCKS2017 开展对比实验、消融实验,利用生成的模型进行实例分析,取得较好的识别效果.

目的 针对当前药品不良反应关联性评价存在的效率较低和主观性评估问题,通过建立药品不良反应关联性评价模型,探索药品不良反应自动关联性评价方法.方法 利用文献及互联网来源,对获取的不良反应报告标注数据(7301条)进行知识抽取,构建药品不良反应知识图谱,建立知识驱动的ERNIE-DPCNN自动关联性评价模型.结果 提出的知识图谱联合ERNIE-DPCNN模型在测试集中的精确度、召回率和F1值分别达到82.18％、81.40％、81.21％,相对于其他基线模型各项评估指标均取得了最高值.结论 知识图谱联合ERNIE-DPCNN模型的方法能提高药品不良反应关联性评价效率,具备较强的准确性,并在一定程度上减少主观性评估误差,对基于人工智能的自动化评价有一定参考价值.

目的/意义 探讨人工智能辅助诊断技术应用于淋巴疾病的诊断效果,阐述样本稀缺背景下模型微调训练的解决方案,指出应用研究的难点和不足,并提出展望.方法/过程 从北京世纪坛医院淋巴外科既往收治的患者中选取755 例为研究对象,基于患者电子病历非结构化文本数据,利用ERNIE 3.0 分类模型进行淋巴水肿辅助诊断应用研究,通过两个层级分类任务,实现智能化诊断淋巴水肿疾病并区分原发性和继发性.结果/结论 ERNIE 3.0 分类模型在淋巴水肿的判别任务中,准确率、精确率、召回率、平均F1 值均超过0.95.在原发性和继发性淋巴水肿的区分上,模型的平均Macro F1 值达到0.901.两个任务模型的曲线下面积分别达到0.97 和0.865,表明模型的准确分类效果.模型分类结果具有较好的可解释性,填补了智能化方法在淋巴疾病领域的应用空白.

目的:探索基于开源预训练表征模型的自然语言处理(Natural Language Processing,NLP)方法在电子病历ICD自动编码中的应用.方法:在电子病历文本字词向量的表达方面,传统基于浅层神经网络模型的Word2vec或基于深度学习模型Elmo等方法存在无法感知复杂上下文、语义单向编码等缺点.而近年来以BERT、ERNIE等基于Transformer编码的预训练字词表征技术在多个NLP场景中取得了较大的进步.通过对开源模型BERT采用微调(Fine-tuning),将三甲医院的439份电子病历的文字描述诊断所对应的ICD编码进行自动分类提取.结果:经过微调后的模型在准确率及召回率等指标相较于传统方法分别提升了21.1％和25.1％,使电子病历文本的特征表达能力得到了明显的提升.结论:基于预训练模型的迁移学习方法及双向语义感知能力体现了其处理大规模语料时的优势,对临床电子病历实际应用中ICD编码标准化、医院临床路径以及DRGs付费管理等NLP相关应用具有重要意义.

目的 针对缺血性脑卒中这一发病率高、预后差的疾病,应用自然语言处理技术从患者出院小结中进行文本数据挖掘,并通过Python编程语言将非结构化的文本数据转换成供后续统计分析的结构化数据库.方法 利用缺血性脑卒中患者出院小结资料,构建基于知识增强的语义表示模型(ERNIE)+神经网络+条件随机场的命名实体识别模型,进行疾病、药物、手术、影像学检查、症状5种医疗命名实体的识别,提取实体构建半结构化数据库.为了进一步从半结构化数据库中提取出结构化数据,构建基于ERNIE的孪生文本相似度匹配模型,评价指标为准确率,采用最优模型构建协变量提取器.结果 命名实体识别模型总体F1值为90.27％,其中疾病F1值为88.41％,药物F1值为91.03％,影像学检查F1值为87.71％,手术F1值为87.07％,症状F1值为96.59％.文本相似度匹配模型的总体准确率为99.11％.结论 通过自然语言处理技术,实现了从完全的非结构化数据到半结构化数据再到结构化数据的构建流程,与人工阅读病历并手动提取病历信息相比,极大提高了数据库构建的效率.