Named Entity Recognition using Neural Networks for Clinical Notes - Archive ouverte HAL Access content directly
Conference Papers Year :

Named Entity Recognition using Neural Networks for Clinical Notes

Abstract

Currently, the best performance for Named Entity Recognition in medical notes is obtained by systems based on neural networks. These supervised systems require precise features in order to learn well fitted models from training data, for the purpose of recognizing medical entities like medication and Adverse Drug Events (ADE). Because it is an important issue before training the neural network, we focus our work on building comprehensive word representations (the input of the neural network), using character-based word representations and word representations. The proposed representation improves the performance of the baseline LSTM. However, it does not reach the performances of the top performing contenders in the challenge for detecting medical entities from clinical notes.
Actuellement, la meilleure performance pour la reconnaissance de l'entité nommée dans les notes médicales est obtenue par des systèmes basés sur des réseaux de neurones. Ces systèmes supervisés nécessitent des caractéristiques précises afin d'apprendre des modèles bien ajustés à partir des données de formation, dans le but de reconnaître les entités médicales comme les médicaments et les événements indésirables liés aux médicaments (EIM). Parce qu'il s'agit d'une question importante avant la formation du réseau neuronal, nous concentrons notre travail sur la construction de représentations complètes de mots (l'entrée du réseau neuronal), en utilisant des représentations de mots basés sur des caractères et des représentations de mots. La représentation proposée améliore la performance de la LSTM de référence. Cependant, il n'atteint pas les performances des concurrents les plus performants dans le challenge de détection d'entités médicales à partir de notes cliniques.
Fichier principal
Vignette du fichier
UCA-I3S_2.pdf (187.81 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-01786995 , version 1 (07-05-2018)

Identifiers

  • HAL Id : hal-01786995 , version 1

Cite

Edson Florez, Frédéric Precioso, Romaric Pighetti, Michel Riveill. Named Entity Recognition using Neural Networks for Clinical Notes. NLP Challenges for Detecting Medication and Adverse Drug Events from Electronic Health Records (MADE1.0), University of Massachusetts Lowell, Worcester, Amherst, May 2018, Massachusetts, United States. pp.7--15. ⟨hal-01786995⟩
168 View
507 Download

Share

Gmail Facebook Twitter LinkedIn More