[发明专利]一种临床发现事件的抽取方法及装置

权利要求书

1.一种临床发现事件的抽取方法，其特征在于，所述抽取方法包括：

获取需进行临床发现事件抽取的目标电子病历；

将所述目标电子病历输入至预先训练好的事件抽取模型中，由所述事件抽取模型中的参数共享模块对所述目标电子病历进行文本向量转化处理，确定所述目标电子病历的文本向量，并将所述文本向量共享至所述事件抽取模型中的实体识别模块和关系识别模块；

由所述实体识别模块根据所述文本向量，进行先实体边界预测再实体类型预测处理，确定出所述目标电子病历的第一实体词预测结果；所述第一实体词预测结果包括医学实体词预测结果以及所述医学实体词的词类型预测结果，所述第一实体词预测结果以二维矩阵形式表示；

由所述关系识别模块根据所述文本向量，进行实体词关系预测，确定出所述目标电子病历中医学实体词的第一词关系预测结果；所述第一词关系预测结果以二维矩阵形式表示，所述二维矩阵中标注有存在关系的两医学实体词的首位和尾位；

根据所述第一实体词预测结果和所述第一词关系预测结果，进行事件抽取处理，得到所述目标电子病历的临床发现事件。

2.根据权利要求1所述的抽取方法，其特征在于，所述根据所述第一实体词预测结果和所述第一词关系预测结果，进行事件抽取处理，得到所述目标电子病历的临床发现事件，包括：

根据所述第一实体词预测结果中的词类型预测结果，确定为预设词类型的目标医学实体词；

根据所述第一词关系预测结果，确定与所述目标医学实体词存在关系的关联医学实体词；

将所述目标医学实体词和所述关联医学实体词从所述目标电子病历中抽取出来，并基于所述第一实体词预测结果对抽取的每个医学实体词添加对应的词类型预测结果，得到所述目标电子病历的临床发现事件。

3.根据权利要求1所述的抽取方法，其特征在于，通过以下步骤构建所述事件抽取模型：

获取多个添加有真实标签的样本电子病历；所述真实标签包括实体词真实标签和词关系真实标签，所述实体词真实标签和所述词关系真实标签以二维矩阵形式进行表示；

将所述多个样本电子病历依次输入至初始事件抽取模型中，由所述初始事件抽取模型中的实体识别模块依次对每个样本电子病历进行实体预测，得到每个样本电子病历的第二实体词预测结果，以及由所述初始事件抽取模型中的关系识别模块依次对每个样本电子病历进行实体词关系预测，得到每个样本电子病历的第二词关系预测结果；

针对每个样本电子病历，基于该样本电子病历的所述第二实体词预测结果、所述第二词关系预测结果以及所述真实标签，确定该样本电子病历的目标损失函数值；

基于每个样本电子病历的目标损失函数值，对所述初始事件抽取模型进行迭代训练并对所述初始事件抽取模型的模型参数进行更新，直至所述目标损失函数值收敛，停止训练，得到所述事件抽取模型。

4.根据权利要求3所述的抽取方法，其特征在于，由所述初始事件抽取模型中的实体识别模块依次对每个样本电子病历进行实体预测，得到每个样本电子病历的第二实体词预测结果，包括：

针对每个样本电子病历，由所述实体识别模块对该样本电子病历进行实体边界预测，确定该样本电子病历的实体边界结果；所述实体边界预测用于预测该样本电子病历包括的医学实体词，所述实体边界结果以二维矩阵形式表示；

对所述实体边界结果中预测出的医学实体词进行实体类型预测，确定词类型预测结果；

使用所述词类型预测结果对所述实体边界结果进行更新，确定出该样本电子病历的所述第二实体词预测结果。

5.根据权利要求3所述的抽取方法，其特征在于，所述由所述初始事件抽取模型中的关系识别模块依次对每个样本电子病历进行实体词关系预测，得到每个样本电子病历的第二词关系预测结果，包括：

针对每个样本电子病历，由所述关系识别模块分别对该样本电子病历中存在关系的医学实体词的首位和尾位进行预测，得到二维首矩阵和二维尾矩阵；

将所述二维首矩阵和所述二维尾矩阵合并，得到该样本电子病历的二维矩阵形式表示的第二词关系预测结果。