近五年來(lái)中文電子病歷的命名實(shí)體識(shí)別研究進(jìn)展

閱讀綜述性論文是一種能夠快速了解某一領(lǐng)域的方法，接下來(lái)通過(guò)今年的一篇綜述性論文來(lái)了解一下近五年來(lái)中文電子病歷的命名實(shí)體識(shí)別研究進(jìn)展。

基本的，我們應(yīng)該先來(lái)了解一下兩個(gè)概念：電子病歷和命名實(shí)體識(shí)別。

電子病歷(Electronic Medical Record，EMR)是指醫(yī)務(wù)人員在醫(yī)療活動(dòng)過(guò)程中，使用醫(yī)療機(jī)構(gòu)信息系統(tǒng)生成的數(shù)字化信息, 并能實(shí)現(xiàn)存儲(chǔ)、管理、傳輸和重現(xiàn)的醫(yī)療記錄。電子病歷中的文本內(nèi)容是醫(yī)務(wù)人員按照《病歷書寫基本規(guī)范》和《電子病歷基本規(guī)范（試行）》中相關(guān)書寫規(guī)定，圍繞患者醫(yī)療需求與服務(wù)活動(dòng)而記錄的描述性文本內(nèi)容。

命名實(shí)體識(shí)別(Named Entity Recognition，NER)是指識(shí)別自由文本中具有特定意義的實(shí)體，如人名、地名、專有名詞等。與通用領(lǐng)域的命名實(shí)體不同，電子病歷中的命名實(shí)體通常有疾病、癥狀、治療等實(shí)體。

有了上述兩個(gè)概念的了解后，接下來(lái)我們就可以來(lái)了解中文電子病歷命名實(shí)體識(shí)別的任務(wù)，它包括：

①電子病歷數(shù)據(jù)的獲取與匿名化處理；

②明確命名實(shí)體種類，進(jìn)行語(yǔ)料標(biāo)注；

③構(gòu)建模型進(jìn)行實(shí)體識(shí)別；

④結(jié)果評(píng)價(jià)及優(yōu)化。

以電子病歷中現(xiàn)病史章節(jié)為例，中文電子病歷命名實(shí)體識(shí)別研究任務(wù)流程如圖1所示：

從上述四個(gè)任務(wù)出發(fā)，我們繼續(xù)進(jìn)行探討。

1

電子病歷數(shù)據(jù)集的獲取

中文電子病歷數(shù)據(jù)的獲取途徑通常包括：

①與醫(yī)院建立合作關(guān)系，如曲春燕等通過(guò)與某醫(yī)科大學(xué)附屬醫(yī)院建立合作關(guān)系獲取到該院35個(gè)大科室、87個(gè)小科室的992份電子病歷。同時(shí)，相關(guān)醫(yī)務(wù)人員也全程參與數(shù)據(jù)標(biāo)注，為數(shù)據(jù)集的質(zhì)量提供了保障。

②開(kāi)放獲取的學(xué)術(shù)評(píng)測(cè)語(yǔ)料，如CCKS2020學(xué)術(shù)評(píng)測(cè)任務(wù)三開(kāi)放了用于命名實(shí)體識(shí)別評(píng)測(cè)任務(wù)的已標(biāo)注匿名化電子病歷1500份和未標(biāo)注的電子病歷1000份，在電子病歷語(yǔ)料資源匱乏的現(xiàn)狀下，全國(guó)知識(shí)圖譜與語(yǔ)義計(jì)算大 會(huì)無(wú)疑為行業(yè)發(fā)展作出了巨大貢獻(xiàn)。 ③網(wǎng)絡(luò)發(fā)布的電子病歷資源。 當(dāng)前，大多數(shù)研究采用第1種方式獲取電子病歷的研究數(shù)據(jù)，并邀請(qǐng)醫(yī)務(wù)人員參與語(yǔ)料數(shù)據(jù)的標(biāo)注工作；而第2、3種獲取方式具有很大的不確定性，并且電子病歷的數(shù)據(jù)標(biāo)注工作過(guò)程控制和質(zhì)量控制均存在不確定性。

2

數(shù)據(jù)標(biāo)注的相關(guān)工作

曲春燕等參照i2b2 2010的標(biāo)注規(guī)范制定了中文電子病歷的標(biāo)注規(guī)范，進(jìn)而在兩名臨床醫(yī)生的全程參與下，對(duì)病歷文本分為前后共計(jì)4輪標(biāo)注，并進(jìn)行了一致性檢驗(yàn)。楊錦鋒等在曲春燕等人的工作基礎(chǔ)上，對(duì)相同的病歷文本資源，進(jìn)行了命名實(shí)體和實(shí)體關(guān)系的標(biāo)注語(yǔ)料構(gòu)建工作。He等在曲春燕、楊錦鋒等人的工作基礎(chǔ)上，新增了電子病歷文本的分詞、詞性標(biāo)注、斷言、關(guān)系抽取等自然語(yǔ)言處理常見(jiàn)任務(wù)的語(yǔ)料標(biāo)注工作，并對(duì)標(biāo)注結(jié)果進(jìn)行了一致性檢驗(yàn)。 上述學(xué)者的延續(xù)性標(biāo)注工作，對(duì)今后研究的語(yǔ)料標(biāo)注工作具有一定的指導(dǎo)意義。然而，與臨床醫(yī)生長(zhǎng)期從事語(yǔ)料建設(shè)和維護(hù)的難以實(shí)現(xiàn)。一方面，臨床醫(yī)生用于語(yǔ)料標(biāo)注的時(shí)間有限；另一方面，邀請(qǐng)臨床醫(yī)生標(biāo)注語(yǔ)料成本更高。因此，醫(yī)學(xué)數(shù)據(jù)標(biāo)注團(tuán)隊(duì)建設(shè)和專業(yè)人員培養(yǎng)的可行性值得探討。

3

主要的命名實(shí)體識(shí)別算法模型

中文命名實(shí)體識(shí)別的主要研究算法為條件隨機(jī)場(chǎng)（CRF）和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型條件隨機(jī)場(chǎng)（Bi-LSTM-CRF）。 Liu等設(shè)計(jì)不同特征模板和上下文窗口進(jìn)行條件隨機(jī)場(chǎng)的學(xué)習(xí)訓(xùn)練，進(jìn)行模型實(shí)體識(shí)別效率的比對(duì)分析，以尋找最佳的電子病歷特征模板和上下文窗口。Liu等在i2b2 2010，2012和2014語(yǔ)料上實(shí)驗(yàn)對(duì)比了Bi-LSTM-CRF與傳統(tǒng)的CRF實(shí)體識(shí)別算法的性能，結(jié)果表明Bi-LSTM-CRF性能較好。CCKS 2017學(xué)術(shù)評(píng)測(cè)任務(wù)二：面向電子病歷的命名實(shí)體識(shí)別，共收錄了7篇論文，研究?jī)?nèi)容和測(cè)評(píng)結(jié)果等見(jiàn)表1?？傮w上看，7篇論文均有對(duì)Bi-LSTM-CRF（或Bi-LSTM）算法模型的實(shí)現(xiàn)；均采用“字粒度”模型使用word2vec工具將輸入文本特征向量化表示。Zhang等利用CCKS 2017開(kāi)放的電子病歷語(yǔ)料，分別采用CRFs和Bi-LSTM-CRF兩種統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法從電子病歷數(shù)據(jù)集中識(shí)別疾病、身體部位和治療等信息，并對(duì)兩種方法進(jìn)行了對(duì)比分析，發(fā)現(xiàn)后者性能較好。Qiu等為提高循環(huán)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練速度，提出了殘差卷積神經(jīng)網(wǎng)絡(luò)條件隨機(jī)場(chǎng)模型（RD-CNN-CRF）在CCKS 2017開(kāi)放測(cè)試語(yǔ)料上獲得了較Bi-LSTM-CRF更高的訓(xùn)練速度和F1值。CCKS 2018學(xué)術(shù)評(píng)測(cè)任務(wù)一：面向中文電子病歷的命名實(shí)體識(shí)別，共收錄論文2篇，分別是Yang等將詞嵌套、詞性、偏旁部首、拼音、詞典和規(guī)則特征作為條件隨機(jī)場(chǎng)（CRFs）的學(xué)習(xí)特征，實(shí)驗(yàn)F1值為89.26%；Luo等基于多特征（如標(biāo)點(diǎn)符號(hào)、分詞和詞典等特征）融合，整合CNN-CRF, Bi-LSTM-CRF, Bi-LSTM-CNN-CRF, Bi-LSTM+CNN-CRF和Lattice LSTM五種神經(jīng)網(wǎng)絡(luò)模型，實(shí)驗(yàn)F1值最高達(dá)到了88.63%（表1）。

4

結(jié)果評(píng)價(jià)及優(yōu)化

隨著中文電子病歷命名實(shí)體識(shí)別的研究逐步深入以及相關(guān)算法框架的逐漸成熟，基于中文電子病歷的命名實(shí)體識(shí)別算法構(gòu)成了臨床電子病歷系統(tǒng)、專病科研數(shù)據(jù)提取、臨床輔助決策系統(tǒng)的重要組成部分。 電子病歷命名實(shí)體識(shí)別結(jié)果評(píng)價(jià)指標(biāo)說(shuō)明如下圖：

袁冬生為解決出院小結(jié)文檔中普遍存在的信息不準(zhǔn)確、無(wú)效信息、信息缺失等問(wèn)題，設(shè)計(jì)開(kāi)發(fā)了一套基于命名實(shí)體識(shí)別的出院小結(jié)錯(cuò)誤檢測(cè)系統(tǒng)。李山為提高住院病歷錄入的交互性和可操作性，降低書寫的繁雜度，減輕醫(yī)生負(fù)荷，提高工作效率，使用條件隨機(jī)場(chǎng)算法，進(jìn)行電子病歷命名實(shí)體識(shí)別，提取病歷中重要的診療信息，并將其應(yīng)用在住院病歷錄入輔助中，以優(yōu)化和改善病歷錄入方式。Su等則基于中文電子病歷命名實(shí)體標(biāo)注規(guī)范構(gòu)建了一個(gè)可用于識(shí)別心血管疾病危險(xiǎn)因素的語(yǔ)料庫(kù)。

展望

.....

針對(duì)電子病歷的語(yǔ)義特征的量化分析與研究，對(duì)于提升算法特征工程質(zhì)量有積極意義；近兩年來(lái)，針對(duì)電子病歷語(yǔ)料標(biāo)注的成本問(wèn)題，很多研究聚焦于半監(jiān)督和無(wú)監(jiān)督的算法來(lái)實(shí)現(xiàn)基于少量標(biāo)注語(yǔ)料或完全基于非標(biāo)注原始語(yǔ)料進(jìn)行實(shí)體識(shí)別，是一個(gè)重要的研究方向。