NestedNER命名实体识别-中文-医疗领域-base
- 模型资讯
- 模型资料
NestedNER介绍
模型描述
本方法采用Global Pointer模型，使用nezha-cn-base作为预训练模型底座。模型训练由AdaSeq框架支持。
模型结构如下图所示：
可参考论文：Global Pointer: Novel Efficient Span-based Approach for Named Entity Recognition
期望模型使用方式以及适用范围
本模型主要用于给输入中文句子产出命名实体识别结果。用户可以自行尝试输入中文句子。具体调用方式请参考代码示例。
如何使用
本模型除安装ModelScope外，还需单独安装AdaSeq，安装方法：
pip install adaseq
之后即可使用AdaSeq中的模型库实现named-entity-recognition(命名实体识别)的能力, 默认单句长度不超过512。
代码范例
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
ner_pipeline = pipeline(Tasks.named_entity_recognition, 'damo/nlp_nested-ner_named-entity-recognition_chinese-base-med')
result = ner_pipeline('1、可测量目标： 1周内胸闷缓解。2、下一步诊疗措施：1.心内科护理常规，一级护理，低盐低脂饮食，留陪客。2.予“阿司匹林肠溶片”抗血小板聚集，“呋塞米、螺内酯”利尿减轻心前负荷，“瑞舒伐他汀”调脂稳定斑块，“厄贝沙坦片”降血压抗心机重构')
print(result)
模型局限性以及可能的偏差
本模型基于内部医疗数据集alimed上训练，在垂类领域中文文本上的NER效果会有降低，请用户自行评测后决定如何使用。
训练数据介绍
- alimed: 内部中文医疗命名实体识别数据集，共5551个句子。
| 英文名 | 实体类型 |
|---|---|
| BODY | 部位 |
| DIAGNOSIS | 疾病 |
| DRUG_DOSAGE | 药品剂量 |
| DRUG_DURATION | 药品持续时间 |
| DRUG_FORM | 药品形式 |
| DRUG_FREQUENCY | 药品频率 |
| DRUG_NAME | 药品名 |
| DRUG_ROUTE | 给药方式 |
| DRUG_STRENGTH | 药品强度 |
| INSTRUMENT | 医疗器械 |
| OPERATION | 手术 |
| OTHER_TREATMENT | 其他治疗 |
| SYMPTOM | 症状体征 |
| TEST_NAME | 检查名 |
| TEST_RESULT | 检查结果 |
数据评估及结果
模型在alimed测试数据评估结果:
| Dataset | Precision | Recall | F1 |
|---|---|---|---|
| alimed | 73.57 | 59.74 | 65.93 |
各个类型的性能如下:
| Dataset | Precision | Recall | F1 |
|---|---|---|---|
| BODY | 72.773 | 59.168 | 65.269 |
| DIAGNOSIS | 68.371 | 76.08 | 72.02 |
| DRUG_DOSAGE | 60.87 | 15.73 | 25.0 |
| DRUG_DURATION | 36.364 | 66.667 | 47.059 |
| DRUG_FORM | 86.192 | 88.412 | 87.288 |
| DRUG_FREQUENCY | 73.381 | 88.696 | 80.315 |
| DRUG_NAME | 87.703 | 92.195 | 89.893 |
| DRUG_ROUTE | 83.721 | 87.805 | 85.714 |
| DRUG_STRENGTH | 54.321 | 77.876 | 64.0 |
| INSTRUMENT | 23.529 | 15.385 | 18.605 |
| OPERATION | 56.835 | 54.483 | 55.634 |
| OTHER_TREATMENT | 63.784 | 38.816 | 48.262 |
| SYMPTOM | 69.416 | 63.316 | 66.226 |
| TEST_NAME | 78.638 | 57.216 | 66.238 |
| TEST_RESULT | 82.126 | 45.871 | 58.864 |
相关论文以及引用信息
如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：
@article{Su2022GlobalPN,
title={Global Pointer: Novel Efficient Span-based Approach for Named Entity Recognition},
author={Jianlin Su and Ahmed Murtadha and Shengfeng Pan and Jing Hou and Jun Sun and Wanwei Huang and Bo Wen and Yunfeng Liu},
journal={ArXiv},
year={2022},
volume={abs/2208.03054}
}