LSTM-CRF-medical

构建医疗实体识别的模型，包含词典和语料标注，基于python构建

数据集合标注

数据集合标注可以基于词典，通过最大匹配获得实体位置，然后标注实体类型。

词典构造

目前构造的词典包括疾病词典、症状词典和身体部位词典。疾病词典包括互联网爬取的疾病名称、疾病别名、ICD10疾病名称，去重后共39615条数据；症状为互联网爬取的症状描述，去重后共7457条数据；身体部位为互联网爬取的身体部位描述，去重后共1929条数据。示例如下：

疾病名称：1型糖尿病性急性牙周脓肿，妊娠合并系统性红斑狼疮，结石性胆囊炎，药物性股骨坏死，晚期梅毒性脉络膜炎，腹型过敏性紫癜

症状：胀痛，耳后长包，睡觉流口水，鼻塞，粉红色泡沫样痰，孕妇气喘，痔疮便血，头昏眼花

身体部位：鼻唇沟，鼻处，鼻子，鼻子尖，鼻孔，鼻尖，鼻窦软骨，鼻翼，鼻黏膜

实体检索

选取了ICD10中的5000条疾病描述，根据已有词典进行实体的最大匹配。

以疾病为例，对于输入的疾病描述进行规范化，去掉空格、换行符，去掉无意义的句头和句尾字词等。

对规范化的句子，使用词典中的每个词进行全匹配，记录匹配的词、词的起始index、词的结束index和实体类型。