接上一篇。

我们是专注于电子病历后结构化研究的人工智能研发团队，可点击个人主页了解详细情况，或博客留言讨论

对于文本信息提取的常用方法，目前主要有基于规则的提取方法和基于统计的提取方法。

该模型的特点是具有较高的信息提取精度，但对于概率模型，其发送训练过程比较复杂，且时间较长。以规则为基础的抽取模型具有抽取过程简单的特点，但抽取结构过于依赖于规则制定和学习的结果。而且两种方法都是针对各领域的文本信息，没有考虑到医学数据的特点，因而难以快速、准确地提取出最优解。

将这两种方法结合起来，进一步改进双向循环神经网络、条件随机场等算法，将多个模型进行结构化分解，同时利用医学专业人员进行语义标注，建立大规模医学语料知识库。经过试验，算法的精确度和专业可信度通过多模型融合技术和大规模标注语料库可以得到显著提高。

从电子病案中提取结构化数据，才能真正实现医疗信息资源标准的统一，自动关联，互通共享。通过科学统计和大数据分析，能快速准确地提取各类检验检查数据，提高诊断和治疗的准确性，有助于减轻医生的劳动强度，促进医院信息化建设，为未来人工智能辅助诊断系统奠定基础，是数字化医院未来的发展方向。