Kundcase - Named Entity Recognition för medicinska texter
Vi förbättrade NER-prestandan på svenska medicinska texter åt ett ledande universitetssjukhus med dataaugmentering och finjusterade BERT-modeller för mer exakt klinisk informationsutvinning.
- Klient
- Svenskt universitetssjukhus
- Tjänst
- Maskininlärning
Översikt
Svenska patientjournaler innehåller stora mängder information som är låst i fritext — svår att söka i, ännu svårare att aggregera. Att omvandla den ostrukturerade informationen till användbar data utgör en stor utmaning.
Men där kommer ett projekt in, utfört av två av våra nu anställda, med målet att effektivt extrahera värdefull data från svenska patientjournaler med hjälp av Named Entity Recognition (NER).
I arbetet undersöktes flera olika BERT-modeller och tekniker för dataförstärkning (data augmentation), vilka har potential att avsevärt förbättra resultatet av NER på svenska patientjournaler.
Resultatet visade att dataförstärkningen avsevärt kunde förbättra systemets prestanda, särskilt vid hantering av mindre datamängder. Intressant nog kunde vi uppnå jämförbara resultat genom att förstärka 50% av träningsdatan som genom att använda hela den ursprungliga datamängden utan förstärkning.
Detta projekt visar hur rätt teknik och metoder kan hjälpa oss att extrahera värdefull information från svenska patientjournaler, vilket kan bidra till en mer upplyst och datastyrd hälso- och sjukvård.
Teknik
- Maskininlärning
- Dataförstärkning
- Pytorch
- Python
Det var otroligt givande att få jobba på detta projekt. Inte bara gav det oss chansen att bidra till bättre sjukvård, men vi kunde även utforska och tillämpa nya tekniker för att förbättra prestandan inom textextrahering.
Dataingenjör
Nästa steg
Vill ni använda ML för att skapa bättre beslutsstöd eller strukturera ostrukturerad textdata? Kontakta oss så tar vi ett första samtal.