DeepMedFeature：一种用于医学信息学中临床文本的精确特征提取和药物相互作用模型

《ACM Transactions on Asian and Low-Resource Language Information Processing》：DeepMedFeature: An Accurate Feature Extraction and Drug-Drug Interaction Model for Clinical Text in Medical Informatics

药物相互作用（DDIs）自动分类研究提出双通道分层模型，采用ConvBLSTM算法结合预训练向量嵌入，在俄语和英语数据集上分别达到96.39%和98.37%的F1分数，优于现有系统。

　　

摘要

药物相互作用（DDIs）是一种重要的生物现象，可能导致医疗人员出现医疗错误。药物相互作用会改变相互作用药物的分子结构，在最严重的情况下可能会危及生命。在诊断早期发现药物相互作用对于预防副作用至关重要。大数据的发展为临床研究提供了丰富的信息来源，以研究药物相互作用。我们提出了一种分层分类模型，该模型具有双重处理机制：首先预测相互作用的发生，然后进一步预测相互作用的类型，如作用机制、建议措施等。我们尝试了多种深度学习算法，其中卷积双向长短期记忆网络（ConvBLSTM）表现最佳。实验结果表明，预训练的向量嵌入是最合适的特征。ConvBLSTM算法在俄语和英语数据集上的F1分数分别为96.39%和98.37%，优于现有的最先进系统。根据实验结果，可以得出结论：在双向处理之前添加卷积层可以提高模型在自动分类和提取药物相互作用方面的性能，尤其是当使用Fasttext和Bio-Bert等预训练向量嵌入时。