包含传统的基于统计模型(CRF)和基于深度学习(Embedding-Bi-LSTM-CRF)下的医疗数据命名实体识别

基于扩张神经网络（Divolved Convolutions）训练好的医疗领域的命名实体识别工具，这里主要引用模型源码，以及云部署方式供大家交流学习。 环境 阿里云服务器：Ubuntu 16.04 Python版本：3.6 Tensorflow：1.5 第一步：来一个Flask实例，并跑起来： 使用的是Pycharm创建自带的Flask项目，xxx.py from flask import Flask app = Flask(__name__) app.route('/') def hel

MedicalNamedEntityRecognition CCKS2017中文名称为医学命名实体识别工具，使用带有字符嵌入的双向lstm和crf模型。数据样本（一般醒目，出院情况，病史情况，病史特点，诊疗经过）与转换版本，训练脚本，预训练模型，可用于序列标注研究。把玩和PK使用。 项目介绍 电子病历结构化是让计算机理解病历，应用病历的基础。基于对病历的结构化，可以计算出症状，疾病，药品，检查检验等多个知识点之间的关系及其概率，并构成医疗领域的知识图谱，进一步优化医生的工作。 CCKS2018

医疗类 oncept注释工具 MedCAT可用于从电子健康记录（EHR）中提取信息，并将其链接到SNOMED-CT和UMLS等生物医学本体。 预印 。 SNOMED演示 上提供了演示应用程序。 请注意，这是在MedMentions上进行的培训，并在CDB中使用SNOMED。 兴趣小组，问答 请使用“作为兴趣小组的类型，或在不提出问题的情况下放置问题和提出建议的地方。 讲解 文件夹中提供了有关如何使用MedCAT的。 阅读有关MedCAT的更多信息，以。 使用MedCAT的论文 相关项目 用于为生