【会议笔记】第五届中国健康信息处理大会（CHIP2019）Day02

主会议

特邀报告

• 王才有 医疗信息标准与大数据标准辨析
  王老师分享过程由于现场设备原因，没有播放PPT，王老师进行了二十分钟的无PPT演讲，但是演讲非常精彩。在王老师的分享中，有几句说的印象很深刻的话。王老师给我们解释了作为医院等医疗机构，有许多数据无法共享的原因，即没有语境的数据，是无法被理解的。因为在疾病或健康医疗研究中，许多数据是有多个语境背景条件下所产生的，因此共享的数据很容易缺失语境，哪怕只是缺失掉一丁点，可能会导致最后结果的不正确。信息的本质，就是人对客观事物认知的碎片化呈现。因此我们在获取信息时，一定要考虑结构化，标准化，并且考虑语境上下文。
• 李劲松 多中心智能医学信息技术平台构建
  李老师给我们介绍了由之江实验室研发的多中心智能医学信息平台，其中有一些关键技术、数据结构化及映射工具值得参考。
  
  李老师还介绍了当下十分火热的区域链技术，将区域链技术结合医疗信息数据，实现了更加安全可靠的日志记录系统。
  
  

论文报告

• Chemical-protein interaction extraction via graph convolutional network
  这篇论文来自大连理工团队，他们做的是化合物-蛋白质的关系抽取，采用的是基于图神经网络利用句子的依存结构来捕获语法信息。
  
  他们采用的特征是词特征、位置特征以及实体类型特征，实体类型特征时一些先验知识，可以减少实体间的相互影响，帮助模型更加准确的检测出目标实体。
  
  
  最后对他们的工作进行了总结
  
• A Benchmark Dataset and Case Study for Chinese Medial Question Intent Classification
  这项工作来自内蒙古大学，主要做的是中文医学的问题意图分类，基于问答的精准理解问题核心，需要分类的问题意图如下图，先分大类，再分小类。
  
  
• Document-level Relation Extraction Leveraging Pretrained Self-attention Structure with Entity Replacement
  这项工作来自华南理工大学，他们使用了预训练的自注意力机制模型以及实体替换方法在篇章级别抽取关系。由于是进行的篇章级别的关系抽取，他们首先构建了句子间的依存句法树，以找到共现信息和共指信息。
  他们进行了三个实验：1.对比了不同的实体处理方法；2.对比了不同的关系抽取算法；3.进行了transformer可视化。
  
  他们采用的是SciBERT进行的篇章级的关系抽取。在进行实验对比时，由于篇章级的数据较少，他们还加入了句子级别的关系抽取数据集进行了模型的对比。
  最后，他们使用了transformer进行了数据的可视化，最后颜色的深浅，色块的数目都能够说明这些词与关键词之间的关系强弱。
  
• Document-level Biomedical Relation Extraction Using Graph Convolutional Network and Multi-head Attention
  该工作依旧是来自大连理工，可以看出大连理工今年在GCN图卷积网络上进行了非常多的尝试，他们和上一篇文章非常相似，做的也是篇章级别的关系抽取，只不过做的是化学物质与疾病的关系抽取。他们利用了图卷积神经网络，同时也构建了文档级别的句法依存图，能够更好的捕获文档中的依存句法信息。
  
  
  他们也在特征中加入了一些尝试，他们采用了ELMo，为了增强输入表示，结果表明该方法对最后的结果也有一定的提升。
  

---

写在最后：
上午的特邀报告有的是来自医疗机构、医院的医生，有的是学术界的医疗信息研究者，分别从不同角度介绍了各自领域的进展情况，尤其是大牛的分享，拓宽了视野，了解了当前研究一线的最新进展情况。
下午的论文报告，让人印象比较深的就是来自大连理工的两个报告，他们都是采用了图卷积神经网络，分别完成了不同的任务，总的说来，笔者在图卷积神经网络上尝试还比较少，未来可以考虑将这个模型应用到自己的领域。