基于深度学习的慢性肝病CT报告相似度分析
2018-08-15常炳国刘清星
计算机应用与软件 2018年8期
常炳国 刘清星
(湖南大学信息科学与工程学院 湖南 长沙 410082)
0 引 言
非结构化数据已经逐渐成为数据挖掘领域的研究热点之一[1],而医学文本作为非结构化文本数据的一个重要组成部分,对其进行挖掘,将推动医学技术的发展。医学文本相似度分析主要是计算实时医学文本与各个历史医学文本之间的相似程度,从中挖掘出一些相似度高的成功病例,以供医生在诊断结果或治疗方法上进行参考。
CT报告是医学文本数据的一类,是病人进行CT检查后得到的文本式诊断报告,其主要内容包括医生对影像所见描述和根据所见及医生的经验得出的诊断建议结果。肝CT检查是诊断慢性肝病过程中对肝部、腹部等部位进行扫描的检查项,对于慢性肝病的诊断灵敏度极高[2]。医生根据肝CT影像图片,对肝脏以及肝脏相关器官大小、形状等各方面进行综合描述,进而给出适当的诊断意见。而随着医疗数据的不断增加,CT报告中,高相似度的CT检查所见文本之间具有高相似度诊断意见,所以经验丰富的医生的诊断意见对于经验不足的医生来说具有极大的参考价值,这可以在一定程度上减少他们的误诊率。
医学自然语言处理发展以来,不管是实体识别、信息抽取还是相似度计算[3-4],其基础都是分词。尽管中文自然语言处理已经有了比较大的发展,但由于医学语言自身的特征,中科院的NLPIR[5]、复旦大学的FNLP[6]等通用的分词工具在处理专业领域分词方面不能达到令人满意的效果。……
登录APP查看全文
