blocks|key|1510539|text|以下是专门为医学文档解析而设计的两个管道：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1510540|Apache+cTAKES|unordered-list-item|offset|length|1510541|NLM's+MetaMap|1510542|两者都使用UMLS，这是统一的医学语言系统，因此要求您拥有(免费)许可证。两者都是Java的，并且或多或少地易于设置。|1510543|entityMap|0|LINK|mutability|MUTABLE|url|http://ctakes.apache.org/|1|http://metamap.nlm.nih.gov/^0|0|0|D|0|0|0|D|1|0|0^^$0|@$1|2|3|4|5|6|7|U|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|V|8|@]|9|@$E|W|F|X|1|Y]]|A|$]]|$1|G|3|H|5|D|7|Z|8|@]|9|@$E|10|F|11|1|12]]|A|$]]|$1|I|3|J|5|6|7|13|8|@]|9|@]|A|$]]|$1|K|3|-4|5|6|7|14|8|@]|9|@]|A|$]]]|L|$M|$5|N|O|P|A|$Q|R]]|S|$5|N|O|P|A|$Q|T]]]]

Here are two pipelines that are specifically designed for medical document parsing:

<ul>
<li><a href="http://ctakes.apache.org" rel="noreferrer">Apache cTAKES</a></li>
<li><a href="http://metamap.nlm.nih.gov" rel="noreferrer">NLM's MetaMap</a></li>
</ul>

Both use UMLS, the unified medical language system, and thus require that you have a (free) license. Both are Java and more or less easy to set up.

blocks|key|1987335|text|请参阅http://www.ebi.ac.uk/webservices/whatizit/info.jsf|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|1987336|Whatizit是一个文本处理系统，允许您对文本执行文本挖掘任务。任务由上述窗口下拉列表中的管道来定义，文本可以粘贴在文本区域中。|blockquote|1987337|你也可以问生物星：http://www.biostars.org/show/questions/|1987338|entityMap|0|LINK|mutability|MUTABLE|url|http://www.ebi.ac.uk/webservices/whatizit/info.jsf|1|http://www.biostars.org/show/questions/^0|3|1E|0|0|0|9|13|1|0^^$0|@$1|2|3|4|5|6|7|S|8|@]|9|@$A|T|B|U|1|V]]|C|$]]|$1|D|3|E|5|F|7|W|8|@]|9|@]|C|$]]|$1|G|3|H|5|6|7|X|8|@]|9|@$A|Y|B|Z|1|10]]|C|$]]|$1|I|3|-4|5|6|7|11|8|@]|9|@]|C|$]]]|J|$K|$5|L|M|N|C|$O|P]]|Q|$5|L|M|N|C|$O|R]]]]

See <a href="http://www.ebi.ac.uk/webservices/whatizit/info.jsf" rel="nofollow">http://www.ebi.ac.uk/webservices/whatizit/info.jsf</a> 

<blockquote>
 Whatizit is a text processing system that allows you to do textmining
 tasks on text. The tasks come defined by the pipelines in the drop
 down list of the above window and the text can be pasted in the text
 area.
</blockquote>

You could also ask biostars: <a href="http://www.biostars.org/show/questions/" rel="nofollow">http://www.biostars.org/show/questions/</a>

blocks|key|1987413|text|有很多工具可以做到这一点。一些流行的：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1987414|NLTK+(蟒蛇)|unordered-list-item|offset|length|1987415|LingPipe+(java)|1987416|斯坦福纳+(java)|1987417|OpenCalais+(web服务)|1987418|伊利诺伊州+(java)|1987419|它们中的大多数都附带了一些预定义的模型，即它们已经接受了一些通用数据集(新闻文章等)的培训。然而，您的文本是相当具体的，所以您可能需要首先组成一个语料库，并重新培训其中一个工具，以调整它与您的数据。|1987420|更简单地说，作为第一个测试，您可以尝试一种基于字典的方法:设计一个实体名称列表，并执行一些精确或近似的匹配。例如，这个操作是在灵管教程中完成的。|1987421|entityMap|0|LINK|mutability|MUTABLE|url|http://www.nltk.org/|1|http://alias-i.com/lingpipe/|2|http://nlp.stanford.edu/software/CRF-NER.shtml|3|http://www.opencalais.com/|4|http://cogcomp.cs.illinois.edu/page/software_view/4|5|http://alias-i.com/lingpipe/demos/tutorial/ne/read-me.html^0|0|0|4|0|0|0|8|1|0|0|4|2|0|0|A|3|0|0|5|4|0|0|1R|4|5|0^^$0|@$1|2|3|4|5|6|7|1A|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|1B|8|@]|9|@$E|1C|F|1D|1|1E]]|A|$]]|$1|G|3|H|5|D|7|1F|8|@]|9|@$E|1G|F|1H|1|1I]]|A|$]]|$1|I|3|J|5|D|7|1J|8|@]|9|@$E|1K|F|1L|1|1M]]|A|$]]|$1|K|3|L|5|D|7|1N|8|@]|9|@$E|1O|F|1P|1|1Q]]|A|$]]|$1|M|3|N|5|D|7|1R|8|@]|9|@$E|1S|F|1T|1|1U]]|A|$]]|$1|O|3|P|5|6|7|1V|8|@]|9|@]|A|$]]|$1|Q|3|R|5|6|7|1W|8|@]|9|@$E|1X|F|1Y|1|1Z]]|A|$]]|$1|S|3|-4|5|6|7|20|8|@]|9|@]|A|$]]]|T|$U|$5|V|W|X|A|$Y|Z]]|10|$5|V|W|X|A|$Y|11]]|12|$5|V|W|X|A|$Y|13]]|14|$5|V|W|X|A|$Y|15]]|16|$5|V|W|X|A|$Y|17]]|18|$5|V|W|X|A|$Y|19]]]]

there are many tools to do that. some popular ones:

<ul>
<li><a href="http://www.nltk.org/" rel="nofollow">NLTK</a> (python)</li>
<li><a href="http://alias-i.com/lingpipe/" rel="nofollow">LingPipe</a> (java)</li>
<li><a href="http://nlp.stanford.edu/software/CRF-NER.shtml" rel="nofollow">Stanford NER</a> (java)</li>
<li><a href="http://www.opencalais.com/" rel="nofollow">OpenCalais</a> (web service)</li>
<li><a href="http://cogcomp.cs.illinois.edu/page/software_view/4" rel="nofollow">Illinois NER</a> (java)</li>
</ul>

most of them come with some predefined models, i.e. they've already been trained on some general datasets (news articles, etc.). however, your texts are pretty specific, so you might want to first constitute a corpus and re-train one of those tools, in order to adjust it to your data.

more simply, as a first test, you can try a dictionary-based approach: design a list of entity names, and perform some exact or approximate matching. for instance, this operation is decribed in <a href="http://alias-i.com/lingpipe/demos/tutorial/ne/read-me.html" rel="nofollow">LingPipe's tutorial</a>.

blocks|key|1510601|text|开放目标将用于此的模块作为链接的一部分。它不打算直接使用，所以它可能需要一些黑客和修补，但它是我为python找到的最完整的医疗人员(命名实体识别)工具。欲知更多信息，请阅读他们的博客帖子。|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|1510602|entityMap|0|LINK|mutability|MUTABLE|url|http://www.targetvalidation.org/|1|https://github.com/opentargets/library-beam|2|https://link.opentargets.io/|3|http://blog.opentargets.org/link/^0|0|4|0|5|6|1|D|2|2|2I|4|3|0^^$0|@$1|2|3|4|5|6|7|R|8|@]|9|@$A|S|B|T|1|U]|$A|V|B|W|1|X]|$A|Y|B|Z|1|10]|$A|11|B|12|1|13]]|C|$]]|$1|D|3|-4|5|6|7|14|8|@]|9|@]|C|$]]]|E|$F|$5|G|H|I|C|$J|K]]|L|$5|G|H|I|C|$J|M]]|N|$5|G|H|I|C|$J|O]]|P|$5|G|H|I|C|$J|Q]]]]

<a href="http://www.targetvalidation.org/" rel="nofollow noreferrer">Open Targets</a> has <a href="https://github.com/opentargets/library-beam" rel="nofollow noreferrer">a module for this</a> as part of <a href="https://link.opentargets.io/" rel="nofollow noreferrer">LINK</a>. It's not meant to be used directly so it might require some hacking and tinkering, but it's the most complete medical NER (named entity recognition) tool I've found for python. For more info, read their <a href="http://blog.opentargets.org/link/" rel="nofollow noreferrer">blog post</a>.

blocks|key|1987463|text|一个bash脚本，它有一个从疾病本体：https://github.com/lasigeBioTM/MER生成的词汇表。|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|1987464|entityMap|0|LINK|mutability|MUTABLE|url|https://github.com/lasigeBioTM/MER^0|J|Y|0|0^^$0|@$1|2|3|4|5|6|7|L|8|@]|9|@$A|M|B|N|1|O]]|C|$]]|$1|D|3|-4|5|6|7|P|8|@]|9|@]|C|$]]]|E|$F|$5|G|H|I|C|$J|K]]]]

a bash script that has as example a lexicon generated from the disease ontology:
<a href="https://github.com/lasigeBioTM/MER" rel="nofollow noreferrer">https://github.com/lasigeBioTM/MER</a>

I have a bunch of text documents that describe diseases. Those documents are in most cases quite short and often only contain a single sentence. An example is given here:

<blockquote>
 Primary pulmonary hypertension is a progressive disease in which widespread occlusion of the smallest pulmonary arteries leads to increased pulmonary vascular resistance, and subsequently right ventricular failure.
</blockquote>

What I need is a tool that finds all disease terms (e.g. "pulmonary hypertension" in this case) in the sentences and maps them to a controlled vocabulary like <a href="http://www.ncbi.nlm.nih.gov/mesh" rel="noreferrer">MeSH</a>.

Thanks in advance for your answers!

Disease named entity recognition

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我有一堆描述疾病的文字文件。在大多数情况下，这些文件很短，而且往往只包含一句话。这里举了一个例子：原发性肺动脉高压是一种进行性疾病，广泛阻塞最小的肺动脉会导致肺血管阻力增加，进而导致右心室衰竭。我需要的是一个工具，可以在句子中找到所有的疾病术语(例如，本例中的“肺动脉高压”)，并将它们映射到像这样的受控词汇表中。提前感谢您的回答！

问疾病命名实体识别
EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问疾病命名实体识别EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问疾病命名实体识别
EN