文中提出了使用专家领域知识来构建单词嵌入向量的方法，在临床自然语言处理中获得了可观的效果。通过将单词的 “上下文” 概念推广为包括任意特征，我们展示了使用这种方法产生的单词向量在与临床专家的相关性方面普遍优于其纯文本的对应方法。

Dec, 2017

本文旨在探讨在医疗临床记事本上提取关系的问题。作者提出使用卷积神经网络自动学习特征，减少对人工特征工程的依赖，并针对 i2b2-2010 临床关系提取挑战数据集进行了实证研究。结果表明，卷积神经网络可以是在临床文本中提取关系的良好模型，而且不需要专家们定义的高质量特征。

Jun, 2016

使用大规模多模态医疗数据集，本文提出了一种新的 cui2vec 医疗概念词嵌入模型，并通过统计功率法进行了评估，结果表明该模型在大多数情况下相对于之前的方法具有最先进的性能。

Apr, 2018

利用大语言模型、向量嵌入模型和向量数据库来分类医生的病例笔记，以了解这些方法的局限性和未来潜在应用的前景。

Feb, 2024

本研究提出了一种使用多池化操作的卷积神经网络（CNN）架构，并探索了带有类别级别约束矩阵约束的损失函数，用于医疗关系分类在临床记录中，实验表明这些模型在不使用任何外部特征的情况下优于以前的单模型方法，并且我们最佳模型与现有的集成方法竞争力强。

May, 2018

本文提出了一种基于关系推理的半监督框架，用于医学图像分类，可通过鼓励输入数据的预测一致性来利用未标记的数据，同时使用自组合模型产生高质量的一致性目标，通过建模不同样本之间的关系信息有效地利用标记数据。该框架明确在扰动下相对于单个预测的语义关系的一致性，鼓励在未标记的数据中探索额外的语义信息。经实验评估，该方法在单标签和多标签图像分类场景中优于许多半监督学习方法。

May, 2020

本研究提出了一种深度学习方法，利用单词级和句子级表示同时提取治疗和问题之间的关系，以用于医疗决策支持系统、安全监测和新治疗发现。通过深度学习和基于规则的模型的联合结果获得了最终的关联关系。该系统在 I2b2 2010 关系提取任务的关系类别上取得了有前途的表现。

Jun, 2018

使用向量嵌入从单模态基础模型和多模态视觉语言模型来进行低资源环境下的多模态深度学习，特别是在医疗领域中。将这些方法与传统方法进行比较，评估它们对计算效率和模型性能的影响，使用精度、F1 分数、推理时间、训练时间和内存使用等指标。结论表明，嵌入降低了计算需求而不影响模型性能，我们提出的对齐方法提高了医疗任务的性能。通过优化受限环境中的资源，此研究促进了可持续的人工智能实践，并突显了基于嵌入的方法在高效多模态学习中的潜力，提升了人工智能在各种用例中的适应性。

Jun, 2024

使用多实例学习和 BERT 模型，我们提出了一个简单的数据编码方案，以降低噪音并获得了远程监控生物医学关系提取的最新性能，同时进一步编码关于关系三元组方向的知识，从而减少噪音并减轻了与知识图完成的联合学习的需要。

May, 2020

本研究采用 Word2Vec 深度学习工具对医学语料库进行了测试，以验证其在未结构化文本中识别关系的潜力，结果表明 Word2Vec 的排名生成和检索结果质量不足以用于知识库自动填充，但可作为手动筛选的起点。

Feb, 2015