Skalierbare, genaue Erkennung klinischer und biomedizinischer Named Entities

Wir stellen einen agilen, produktionsreifen Algorithmus für die Named Entity Recognition (NER) im klinischen und biomedizinischen Bereich vor, der auf einer modifizierten BiLSTM-CNN-Char-Deep-Learning-Architektur basiert und auf Apache Spark aufgebaut ist. Unsere NER-Implementierung erreicht neue State-of-the-Art-Genauigkeiten auf sieben von acht bekannten biomedizinischen NER-Benchmarks sowie auf drei Herausforderungen zur klinischen Konzeptextraktion: dem 2010 i2b2/VA-Konzeptextraktions-Wettbewerb, dem 2014 n2c2-De-Identification-Wettbewerb und dem 2018 n2c2-Medikamentenextraktions-Wettbewerb. Darüber hinaus übertrifft die Genauigkeit klinischer NER-Modelle, die mit dieser Implementierung trainiert wurden, die Leistung kommerzieller Entitätsextraktionslösungen – AWS Medical Comprehend und Google Cloud Healthcare API – deutlich (um 8,9 % bzw. 6,7 %), ohne dabei speicherintensive Sprachmodelle einzusetzen.