手術(shù)病例中結(jié)構(gòu)化數(shù)據(jù)自動抽取設(shè)計方案

　　目前的手術(shù)病例都是以文本的方式記錄的。這些文本中包含了大量對日后分析和挖掘有用的信息。通過對大量手術(shù)文本進行分析，對手術(shù)病例進行數(shù)據(jù)化和結(jié)構(gòu)化，醫(yī)院可以對整體病情趨勢進行把握并挖掘大量對診斷有用的信息。而在針對具體病人確定手術(shù)方案時，也往往需要分析病人的歷史病歷，根據(jù)以前的手術(shù)情況來確定新的診斷方案。尤其對于肺部或胸腔的手術(shù)來說，確定歷史手術(shù)的出血量、切除部位、切口數(shù)目以及切除范圍等內(nèi)容對醫(yī)生制定新的手術(shù)方案具有重要意義。從歷史病例中自動抽取出這些信息，將有效節(jié)省醫(yī)生閱讀病例的時間，進而可以讓醫(yī)生把更多的時間用于診療方案的制定上。本文重點研究胸腔手術(shù)病例中切口數(shù)量抽取問題。針對手術(shù)病例中并不直接包含切口數(shù)量以致無法直接抽取的難點，本文將切口數(shù)量抽取問題轉(zhuǎn)換為文本分類問題?；谖谋痉诸惖乃枷?，首先針對病例文本中的句子著手研究，先對文本進行分句處理，選擇包含切口信息的句子作為切口描述句，并基于雙向LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)， long Short Term Memory）神經(jīng)網(wǎng)絡(luò)與 Attention（注意力）機制構(gòu)建分句切口數(shù)目提取模型，逐個判定友本中切口描述句所記錄的切口數(shù)目，最后累加切口數(shù)目。此后本文進步構(gòu)建層次化切口數(shù)目提取模型，首先針對單個句子構(gòu)建雙向LSTM網(wǎng)絡(luò)作為句子層，并對句子層的輸出再次進行過濾作為段落層的輸入，構(gòu)建LSTM神經(jīng)網(wǎng)鰲作為段落層，段落層的最終輸出降維得出分類結(jié)果。實驗結(jié)果表明，兩種切口數(shù)目判定方法準確率均可達到9父超出其他的多種文本分類模型如SVM支持向量機）以及卷積模型（ Textcnn），且后者可拓展性與整體性更佳。