面向命名實體抽取的大規(guī)模中醫(yī)臨床病歷語料庫構(gòu)建方法研究.pdf

1、中醫(yī)學(xué)是以觀察型臨床診療實踐研究為基礎(chǔ)的臨床醫(yī)學(xué)，病歷是醫(yī)務(wù)人員對診療過程進行的全面記錄，是保證和提高診療質(zhì)量，加強教學(xué)和促進科研的重要檔案資料，是臨床醫(yī)生寶貴經(jīng)驗的載體。因此，中醫(yī)臨床病歷已經(jīng)成為中醫(yī)學(xué)和信息學(xué)關(guān)注的重要數(shù)據(jù)資源。
　　當前，以英文語言為載體的生物醫(yī)學(xué)文獻文本挖掘和自然語言處理應(yīng)用、算法和語料庫等已較為成熟，但國際上臨床病歷的研究仍處于前沿，且我國的中文臨床病歷文本挖掘研究更是處于起步階段。其中，大規(guī)模領(lǐng)域語料庫

2、的研發(fā)是推動高質(zhì)量研究的基礎(chǔ)，由于中醫(yī)領(lǐng)域尚無成型的規(guī)模化語料庫，因此，中醫(yī)臨床病歷語料庫及其構(gòu)建方法研究是急需開展的重要工作。
　　本文以中醫(yī)臨床病歷的命名實體抽取為應(yīng)用目標，根據(jù)其文本數(shù)據(jù)的特點，研制了多種批量標注方法，以輔助規(guī)?；闹嗅t(yī)病歷文本標注，支持大規(guī)模中醫(yī)臨床病歷語料庫的構(gòu)建。在此基礎(chǔ)上，設(shè)計研發(fā)了中醫(yī)臨床病歷標注系統(tǒng)，具體工作包括以下三個方面:
　　(1).針對面向命名實體抽取的大規(guī)模中醫(yī)臨床病歷庫的構(gòu)建問題

3、，實現(xiàn)了結(jié)構(gòu)化病歷數(shù)據(jù)、條件隨機場(Conditional Random Fields，CRFs)和Bootstrapping等三種自動化批量語料標注方法，其中首次嘗試使用基于Bootstrapping的混合命名實體識別方法。并且在使用2，500個標注訓(xùn)練集實驗的評估中，結(jié)構(gòu)化電子病歷和Bootstrapping的F1值分別為76.46％和53.8％，而CRFs的F1值則達到了98％以上，并且基于Bootstrapping的混合方法也達

4、到87％。實驗結(jié)果表明，這三種方法能夠完成文本病歷（以主訴為示范）的批量標注，從而為構(gòu)建大規(guī)模中醫(yī)語料庫提供基礎(chǔ)性方法。
　　(2).初步研制了中醫(yī)臨床病歷命名實體批量標注系統(tǒng)。該系統(tǒng)實現(xiàn)了以上三種批量標注方法，并支持病歷文本數(shù)據(jù)的導(dǎo)入、批量標注和人工審核等主要功能，同時，實現(xiàn)了標注后語料的標準化格式（以XML的規(guī)范行業(yè)格式）導(dǎo)出處理。并利用該系統(tǒng)導(dǎo)入32，411個診次的中醫(yī)病歷文本共351，963份，實現(xiàn)了3，550中醫(yī)臨床病歷

5、（主訴）的批量標注和初步審核，形成了初步的語料數(shù)據(jù)庫，包括診斷、文本病歷、基本信息等病歷內(nèi)容。
　　(3).針對命名實體抽取的機器學(xué)習(xí)方法如CRFs性能與樣本相似性結(jié)構(gòu)之間的關(guān)系問題，通過計算病歷文本之間的字符編輯距離，研究了CRFs標注性能與樣本集相似結(jié)構(gòu)的關(guān)系。實驗結(jié)果表明，在開放式測試中，CRFs的標注性能（以F1值表達）與測試樣本和訓(xùn)練樣本之間的最小編輯距離成反比，測試樣本集與訓(xùn)練集的平均最小編輯距離增大，則CRFs的測試