通讯作者: 曹子佳, ydfyczj@126.com

DOI：10.12201/bmr.202608.00018

Named Entity Recognition model for Electronic Medical Records Based on External Knowledge Integration and Prompt Learning

• 摘要：目的/意义 提升对电子病历中医学实体的识别能力，为临床决策支持与医学知识库构建提供基础支撑，助力医院信息化建设。方法/过程 提出融合外部知识和提示学习的电子病历命名实体识别模型，首先，利用类别描述文本初始化可学习领域提示向量，与原文本拼接后通过ERNIE模型生成聚焦领域特征的词向量；其次，使用softLexicon方法和注意力机制融合外部词典，增强对模糊实体与边界的表征能力；最后，使用两阶段识别机制，通过候选跨度剪枝与困难负样本生成提升边界检测精度，并利用注意力机制将候选跨度与提示向量交互以实现分类。结果/结论 在四个公开电子病历数据集上进行对比实验和消融实验，实验结果证明了模型的有效性。

  关键词： 命名实体识别; 提示学习; 融合外部知识; 两阶段识别机制

   

  Abstract: Purpose/Significance To enhance the recognition capability of medical entities in electronic medical records, provide foundational support for clinical decision support and medical knowledge base construction, and facilitate hospital informatization. Method/Process named entity recognition model for electronic medical records based on external knowledge integration and prompt learning is proposed.First, learnable domain-specific prompt vectors initialized from category description texts are constructed and concatenated with the original text to generate domain-focused word embeddings via the ERNIE model. Second, the softLexicon method and an attention mechanism are employed to integrate external dictionary, enhancing the model’s ability to represent ambiguous entities and boundaries. Finally, a two-stage recognition mechanism is adopted, where candidate span pruning and hard negative sample generation improve boundary detection accuracy, and an attention mechanism is used to enable interaction between candidate spans and prompt vectors for classification.Results/Conclusion Comparative experiments and ablation studies were conducted on four publicly available electronic medical record datasets, and the experimental results demonstrate the effectiveness of the proposed model.

  Key words: named entity recognition; prompt learning; external knowledge integration; two-stage recognition mechanism

  提交时间：2026-08-07

  版权声明：作者本人独立拥有该论文的版权，预印本系统仅拥有论文的永久保存权利。任何人未经允许不得重复使用。
• html

• 图表

• 陈婕卿, 竹志超, 张锋, 曾可, 姜会珍, 程振宁. 面向知识图谱构建的中文电子病历命名实体识别方法研究. 2023. doi: 10.12201/bmr.202312.00011

  刘彬, 肖晓霞, 邹北骥, 周展, 郑立瑞, 谭建聪. 融合汉字部首的BERT-BiLSTM-CRF中医医案命名实体识别模型. 2023. doi: 10.12201/bmr.202303.00004

  咸宏欣, 生慧, 马素芬, 蔡肖红, 张丰聪, 陈一帆, 王苹苹. 基于深度学习的中医古籍命名实体识别研究综述. 2026. doi: 10.12201/bmr.202602.00050

  沈蓉蓉, 夏帅帅, 晏峻峰. 命名实体识别在中医药领域的研究进展. 2022. doi: 10.12201/bmr.202207.00038

  邓嘉乐, 胡振生, 连万民, 华赟鹏, 周毅. 基于RoBERTa-CRF的肝癌电子病历实体识别研究. 2023. doi: 10.12201/bmr.202303.00027

  冯凤翔, 任慧玲, 李晓瑛, 王巍洁, 王勖, 张颖. 融合相似度算法与预训练模型的中文电子病历实体映射方法研究. 2023. doi: 10.12201/bmr.202305.00015

  吴欢, 何昆仑. 基于循证医学和电子病历数据的通用医学知识图谱构建. 2024. doi: 10.12201/bmr.202409.00027

  吴胜男, 吴佳辉, 董继宗, 蒋环宇, 王璐琦, 王欣瑶. 基于二分网络表示学习的医学实体关系预测研究. 2024. doi: 10.12201/bmr.202407.00041

  盖彦蓉, 张云秋, 张慧, 李晨程, 卢浚睿. 面向知识抽取的真实世界中文电子病历数据质量分析与治理对策研究. 2025. doi: 10.12201/bmr.202511.00077

  陈剑秋, 黄晓芳, 周祖宏, 廖敏. 基于BERT的电子病历实体关系联合抽取研究. 2022. doi: 10.12201/bmr.202206.00003

• 序号	提交日期	编号	操作
  1	2026-04-03	10.12201/bmr.202608.00018V1	下载

• 公开评论  匿名评论  仅发给作者 提交评论