Langkah 4: Memulai menggunakan API Amazon Comprehend Medical

Contoh-contoh berikut ini mendemonstrasikan cara menggunakan operasi Amazon Comprehend Medical menggunakan operasiAWS CLI, Java, dan Python. Gunakan mereka untuk mempelajari tentang operasi Amazon Comprehend Medical dan sebagai blok bangunan untuk aplikasi Anda sendiri.

Untuk menjalankanAWS CLIdan Python contoh, menginstalAWS CLI. Untuk informasi selengkapnya, lihat Langkah 2: MenyiapkanAWS Command Line Interface (AWS CLI).

Untuk menjalankan contoh Java, instalAWS SDK for Java. Untuk petunjuk pemasanganAWS SDK for Java, LihatMengatur AWS SDK for Java.

Mendeteksi entitas medis menggunakanAWS Command Line Interface

Contoh berikut menunjukkan menggunakanDetectEntitiesV2operasi menggunakanAWS CLIuntuk mengembalikan entitas medis yang terdeteksi dalam teks. Untuk menjalankan contoh, Anda harus menginstalAWS CLI. Untuk informasi selengkapnya, lihat Langkah 2: MenyiapkanAWS Command Line Interface (AWS CLI).

Contohnya diformat untuk Unix, Linux, dan macOS. Untuk Windows, ganti karakter kelanjutan Unix (\) pada akhir setiap baris dengan caret (^).

aws comprehendmedical detect-entities-v2 \
    --endpoint endpoint \
    --region region \
    --text "aspirin is required 20 mg po daily for 2 times as tab"

Respons adalah sebagai berikut ini:

{
    "Entities": [
        {
            "Category": "MEDICATION", 
            "BeginOffset": 0, 
            "EndOffset": 7, 
            "Text": "aspirin", 
            "Traits": [], 
            "Score": 0.9988090991973877, 
            "Attributes": [
                {
                    "BeginOffset": 20, 
                    "EndOffset": 25, 
                    "Text": "20 mg", 
                    "Traits": [], 
                    "Score": 0.9559056162834167, 
                    "Type": "DOSAGE", 
                    "Id": 1, 
                    "RelationshipScore": 0.9981593489646912
                }, 
                {
                    "BeginOffset": 26, 
                    "EndOffset": 28, 
                    "Text": "po", 
                    "Traits": [], 
                    "Score": 0.9995359182357788, 
                    "Type": "ROUTE_OR_MODE", 
                    "Id": 2, 
                    "RelationshipScore": 0.9969323873519897
                }, 
                {
                    "BeginOffset": 29, 
                    "EndOffset": 34, 
                    "Text": "daily", 
                    "Traits": [], 
                    "Score": 0.9803128838539124, 
                    "Type": "FREQUENCY", 
                    "Id": 3, 
                    "RelationshipScore": 0.9990783929824829
                }, 
                {
                    "BeginOffset": 39, 
                    "EndOffset": 46, 
                    "Text": "2 times", 
                    "Traits": [], 
                    "Score": 0.8623972535133362, 
                    "Type": "DURATION", 
                    "Id": 4, 
                    "RelationshipScore": 0.9996501207351685
                }, 
                {
                    "BeginOffset": 50, 
                    "EndOffset": 53, 
                    "Text": "tab", 
                    "Traits": [], 
                    "Score": 0.784785270690918, 
                    "Type": "FORM", 
                    "Id": 5, 
                    "RelationshipScore": 0.9986748695373535
                }
            ], 
            "Type": "GENERIC_NAME", 
            "Id": 0
        }
    ], 
    "UnmappedAttributes": []
}

Mendeteksi entitas medis menggunakanAWS SDK for Java

Contoh berikut menggunakanDetectEntitiesV2operasi dengan Java. Untuk menjalankan contoh, instalAWS SDK for Java. Untuk petunjuk tentang menginstalAWS SDK for Java, LihatMengatur AWS SDK for Java.

import com.amazonaws.auth.AWSCredentials;
import com.amazonaws.auth.AWSCredentialsProvider;
import com.amazonaws.auth.AWSStaticCredentialsProvider;
import com.amazonaws.auth.BasicAWSCredentials;
import com.amazonaws.client.builder.AwsClientBuilder;
import com.amazonaws.services.comprehendmedical.AWSComprehendMedical;
import com.amazonaws.services.comprehendmedical.AWSComprehendMedicalClient;
import com.amazonaws.services.comprehendmedical.model.DetectEntitiesRequest;
import com.amazonaws.services.comprehendmedical.model.DetectEntitiesResult;
 
public class SampleAPICall {
 
    public static void main() {
 
        AWSCredentialsProvider credentials
                = new AWSStaticCredentialsProvider(new BasicAWSCredentials("YOUR AWS ACCESS KEY", "YOUR AWS SECRET"));
 
        AWSComprehendMedical client = AWSComprehendMedicalClient.builder()
                                                                .withCredentials(credentials)
                                                                .withRegion("YOUR REGION")
                                                                .build();
 
 
        DetectEntitiesV2Request request = new DetectEntitiesV2Request();
        request.setText("cerealx 84 mg daily");
 
        DetectEntitiesV2Result result = client.detectEntitiesV2(request);
        result.getEntities().forEach(System.out::println);
    }
}
 

Output berisi tiga entitas yang ditemukan dalam teks input, lokasi mereka dalam teks input. Tingkat kepercayaan bahwa entitas diidentifikasi dengan benar juga terdaftar pada setiap entitas. Output menunjukkanGeneric_Name,Dosage, danFrequencyentitas dari contoh sebelumnya.

{Id: 0,BeginOffset: 0,EndOffset: 3,Score: 0.9940211,Text: Bob,Category: 
PROTECTED_HEALTH_INFORMATION,Type: NAME,Traits: [],}
{Id: 2,BeginOffset: 23,EndOffset: 30,Score: 0.99914634,Text: aspirin,Category: MEDICATION,Type: GENERIC_NAME,Traits: [],Attributes: 
[{Type: DOSAGE,Score: 0.9630807,RelationshipScore: 0.99969745,Id: 1,BeginOffset: 14,EndOffset: 19,Text: 50 mg,Traits: []}]}

Mendeteksi entitas medis menggunakanAWS SDK for Python (Boto)

Contoh berikut menggunakanDetectEntitiesV2operasi dengan Python. Untuk menjalankan sampel, instalAWS CLI. Untuk informasi selengkapnya, lihat Langkah 2: MenyiapkanAWS Command Line Interface (AWS CLI).

import boto3
client = boto3.client(service_name='comprehendmedical', region_name='YOUR REGION')
result = client.detect_entities(Text= 'cerealx 84 mg daily')
entities = result['Entities'];
for entity in entities:
    print('Entity', entity)

Output berisi tiga entitas yang ditemukan dalam teks input, lokasi mereka dalam teks input. Tingkat kepercayaan bahwa entitas diidentifikasi dengan benar juga terdaftar pada setiap entitas. Output menunjukkanGeneric_Name,Dosage, danFrequencyentitas dari contoh sebelumnya.

('Entity', {u'Category': u'MEDICATION', u'BeginOffset': 0, u'EndOffset': 7, 
            u'Text': u'cerealx', u'Traits': [], u'Score': 0.8877691626548767, u'Attributes': [{u'BeginOffset': 8, u'EndOffset': 13, 
            u'Text': u'84 mg', u'Traits': [], u'Score': 0.9337134957313538, u'Type': u'DOSAGE', u'Id': 1, u'RelationshipScore': 0.9995118379592896}, 
            {u'BeginOffset': 14, u'EndOffset': 19, u'Text': u'daily', u'Traits': [], u'Score': 0.990627646446228, u'Type': u'FREQUENCY', 
            u'Id': 2, u'RelationshipScore': 0.9987651109695435}], u'Type': u'BRAND_NAME', u'Id': 0})