Vad är anpassade Textanalys för hälsa?
Anpassade Textanalys för hälsa är en av de anpassade funktioner som erbjuds av Azure AI Language. Det är en molnbaserad API-tjänst som tillämpar maskininlärningsinformation så att du kan skapa anpassade modeller ovanpå Textanalys för hälsa för anpassade igenkänningsuppgifter för sjukvårdsentiteter.
Med anpassade Textanalys för hälsa kan användare skapa anpassade AI-modeller för att extrahera sjukvårdsspecifika entiteter från ostrukturerad text, till exempel kliniska anteckningar och rapporter. Genom att skapa en anpassad Textanalys för hälsoprojekt kan utvecklare iterativt definiera nya ordförråd, märka data, träna, utvärdera och förbättra modellprestanda innan de gör dem tillgängliga för förbrukning. Kvaliteten på etiketterade data påverkar modellens prestanda avsevärt. För att förenkla skapandet och anpassningen av din modell erbjuder tjänsten en webbportal som kan nås via Language Studio. Du kan enkelt komma igång med tjänsten genom att följa stegen i den här snabbstarten.
Den här dokumentationen innehåller följande artikeltyper:
- Snabbstarter är komma igång-instruktioner som hjälper dig att skapa begäranden till tjänsten.
- Begrepp ger förklaringar av tjänstens funktioner och funktioner.
- Instruktionsguider innehåller instruktioner för hur du använder tjänsten på mer specifika eller anpassade sätt.
Exempel på användningsscenarier
På samma sätt som Textanalys för hälsa kan anpassade Textanalys för hälsa användas i flera scenarier i en mängd olika sjukvårdsbranscher. Den huvudsakliga användningen av den här funktionen är dock att tillhandahålla ett lager av anpassning ovanpå Textanalys för hälsa för att utöka sin befintliga entitetskarta.
Livscykel för projektutveckling
Att använda anpassade Textanalys för hälsa omfattar vanligtvis flera olika steg.
Definiera schemat: Känna till dina data och definiera de nya entiteter som du vill extrahera ovanpå den befintliga Textanalys för hälsoentitetskartan. Undvik tvetydighet.
Märka dina data: Märkning av data är en viktig faktor för att fastställa modellprestanda. Märk exakt, konsekvent och fullständigt.
- Etikett exakt: Etikettera varje entitet till rätt typ alltid. Inkludera bara det du vill extrahera, undvik onödiga data i etiketterna.
- Etikett konsekvent: Samma entitet bör ha samma etikett i alla filer.
- Etikett helt: Märk alla instanser av entiteten i alla dina filer.
Träna modellen: Din modell börjar lära sig från dina märkta data.
Visa modellens prestanda: När träningen har slutförts visar du modellens utvärderingsinformation, dess prestanda och vägledning om hur du kan förbättra den.
Distribuera modellen: Om du distribuerar en modell blir den tillgänglig för användning via ett API.
Extrahera entiteter: Använd dina anpassade modeller för entitetsextraheringsuppgifter.
Referensdokumentation och kodexempel
När du använder anpassade Textanalys för hälsa kan du läsa följande referensdokumentation för Azure AI Language:
| API:er | Referensdokumentation |
|---|---|
| REST-API:er (redigering) | Dokumentation om REST API |
| REST-API:er (Runtime) | Dokumentation om REST API |
Ansvarig AI
Ett AI-system omfattar inte bara tekniken, utan även de personer som ska använda den, de personer som påverkas av den och miljön där den distribueras. Läs transparensmeddelandet för Textanalys för hälsa för att lära dig mer om ansvarsfull AI-användning och distribution i dina system. Du kan också se följande artiklar för mer information:
- Transparensanteckning för Azure AI Language
- Integrering och ansvarsfull användning
- Data, sekretess och säkerhet
Nästa steg
Använd snabbstartsartikeln för att börja använda anpassade Textanalys för hälsa.
När du går igenom livscykeln för projektutveckling läser du ordlistan för att lära dig mer om de termer som används i dokumentationen för den här funktionen.
Kom ihåg att visa tjänstbegränsningarna för information, till exempel regional tillgänglighet.