医疗问答系统中意图识别与实体抽取算法优化_人工智能与医疗大数据.docxVIP

PAGE2

医疗问答系统中意图识别与实体抽取算法优化

第一章绪论

1.1实验背景

1.1.1研究领域现状

人工智能与医疗大数据的深度融合正重塑现代医疗服务模式。在技术演进层面，自然语言处理模型已从基于规则的方法，历经统计机器学习，迈入大规模预训练语言模型时代。

BERT、GPT等Transformer架构的涌现，使机器理解复杂医学文本成为可能。医疗问答系统作为智慧医疗的核心组件，旨在精准解析患者口语化查询，并返回可靠医学知识。

然而，当前系统在真实场景中仍面临严峻瓶颈。医学文本具有高度专业性，术语歧义普遍存在，例如“发烧”既可能是普通感冒症状，也可能是血液病的早期信号。

同时，患者表述常呈现碎片化、口语化特征，如“肚子左边疼得厉害，还恶心”，这与结构化医学知识库之间存在巨大语义鸿沟。这种非标准化表达导致意图识别准确率与实体抽取召回率难以达到临床可接受水平。

此外，标注数据的稀缺性进一步制约了模型性能。医学领域标注成本极高，需具备专业资质的医师参与，导致高质量数据集规模有限，模型难以充分学习复杂医学语义关联。

问题类型

问题表现

影响范围

紧迫程度

可验证性

意图歧义

患者口语化查询与医学标准术语不匹配

意图分类准确率下降15%-20%

高

可通过意图分类F1值量化

实体边界模糊

症状描述与疾病名称嵌套，如“头痛伴随视力模糊”

实体抽取召回率不足70%

高

可通过实体边界