医学知识增强的肿瘤分期多任务学习模型

• 作者: 张恒 何文玢 何军 焦增涛 刘红岩
• 来源期刊: 智能系统学报
• 关键词: 肿瘤分期 文本分类 机器阅读理解 多任务学习 不均衡分类 智慧医疗 知识表示 注意力机制
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 知识工程|Knowledge Engineering
• 页码范围: 739-745
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11992/tis.202010005

摘要

肿瘤分期是指从病人的电子病历文本中推测肿瘤对应阶段的过程.在电子病历数据中存在类别严重不均衡现象,因此使用深度学习方法进行肿瘤分期具有一定的挑战性.该文提出医学知识增强的多任务学习KEMT(knowledge enhanced multi-task)模型,将肿瘤分期问题视作面向医疗电子病历的文本分类任务,同时引入医生在人工预测肿瘤分期时参考的医学属性,提出基于医学问题的机器阅读理解任务,对上述两种任务进行联合学习.我们与医疗机构合作构建了真实场景下的肿瘤分期的数据集,实验结果显示,KEMT模型可以将医学知识与神经网络结合起来,预测准确率高于传统的文本分类模型.在数据分布不均衡的条件下,在小样本类别上的准确率提升了4.2个百分点,同时模型也具有一定的解释性.