Skip to content

Latest commit

 

History

History
59 lines (45 loc) · 5.03 KB

2020CCKS面向中文电子病历的医疗实体及事件抽取-子任务一：医疗名门实体识别.md

File metadata and controls

59 lines (45 loc) · 5.03 KB
Raw

2020CCKS面向中文电子病历的医疗实体及事件抽取-子任务1：医疗命名实体识别

  • 任务简介

    • 本任务为中文病历医疗实体识别任务，即对于给定的一组电子病历纯文本文档，识别并抽取出与医学临床相关的实体提及（entity mention），并将它们归类到预定义类别（pre-defined categories），比如疾病、治疗、检查检验等。
    • 官网：https://www.biendata.xyz/competition/ccks_2020_2_1/

  • 时间：2020.3~2020.9

  • 数据示例

    {
    "originalText": "缘于入院前1月余因“胆石症、急性胆囊炎”就诊我院，下腹部CT示：1、胆总管上段多发结石，伴肝内外胆管扩张。2、急性胆囊炎，胆囊多发结石。入院后予抗感染，保肝，抑制胰酶分泌，营养支持等治疗，于2014.01.16在B超定位上行“胆囊穿刺造瘘术”，术顺，术后症状好转，家属要求出院。此次为行进一步治疗再次就诊我院，门诊拟“胆石症PTCD术后”收入院，自发病以来神志清，精神不振，饮食少，睡眠可，二便正常，体重未见明显增减。",
    "entities": [
        {"start_pos": 10, "end_pos": 13, "label_type": "疾病和诊断"},
        {"start_pos": 14, "end_pos": 19, "label_type": "疾病和诊断"}, 
        {"start_pos": 25, "end_pos": 30, "label_type": "影像检查"}, 
        {"start_pos": 34, "end_pos": 43, "label_type": "疾病和诊断"}, 
        {"start_pos": 45, "end_pos": 52, "label_type": "疾病和诊断"}, 
        {"start_pos": 55, "end_pos": 60, "label_type": "疾病和诊断"}, 
        {"start_pos": 61, "end_pos": 67, "label_type": "疾病和诊断"}, 
        {"start_pos": 77, "end_pos": 78, "label_type": "解剖部位"}, 
        {"start_pos": 81, "end_pos": 82, "label_type": "解剖部位"}, 
        {"start_pos": 106, "end_pos": 108, "label_type": "影像检查"}, 
        {"start_pos": 113, "end_pos": 120, "label_type": "手术"}, 
        {"start_pos": 159, "end_pos": 168, "label_type": "疾病和诊断"}
    ]
}

    预定义类别定义如下：
    **1) 疾病和诊断：**医学上定义的疾病和医生在临床工作中对病因、病生理、分型分期等所作的判断。
    2) 检查： 影像检查（X线、CT、MR、PETCT等）+造影+超声+心电图，未避免检查操作与手术操作过多冲突，不包含此外其它的诊断性操作，如胃镜、肠镜等。
    3）检验： 在实验室进行的物理或化学检查，本期特指临床工作中检验科进行的化验，不含免疫组化等广义实验室检查 4) 手术： 医生在患者身体局部进行的切除、缝合等治疗，是外科的主要治疗方法。
    5) 药物： 用于疾病治疗的具体化学物质。
    6) 解剖部位： 指疾病、症状和体征发生的人体解剖学部位。

  • 数据说明

    标注数据 非标注数据 词表 测试集 下载
    1500 1000 6292 300 √ （ccks2020_2_task1_train、ccks2_task1_val） 、官网

  • 竞赛方案

    方案 评测论文 代码
    top1 & 技术创新奖 《Noisy Label Learning for Chinese Medical Named Entity Recognition Based on Uncertainty Strategy》 ×
    top2 《基于 BERT 与字形字音特征的医疗命名实体识别》 ×
    top3 《基于 ChiEHRBert 与多模型融合的医疗命名实体识别》 ×
    top5 × √

  • 推荐资料

    https://github.com/yongzhuo/Pytorch-NLU/blob/0589d496ece9490c435b2ebf7d70ae427fda815e/pytorch_sequencelabeling/README.md