中文醫(yī)學(xué)術(shù)語資源的自動構(gòu)建方法研究及應(yīng)用.pdf

1、醫(yī)學(xué)術(shù)語資源對于醫(yī)學(xué)語言處理技術(shù)的發(fā)展至關(guān)重要。覆蓋全面和定義良好的醫(yī)學(xué)術(shù)語概念以及概念間的關(guān)系，是計算機自動處理醫(yī)學(xué)文本實現(xiàn)信息提取、文本理解和知識發(fā)現(xiàn)等智能應(yīng)用的重要基礎(chǔ)資源。隨著醫(yī)療信息化的發(fā)展，醫(yī)療領(lǐng)域積累了大量的以敘述性文本為主要形式的數(shù)據(jù)，這些臨床文檔和報告包含了大量不能從其它數(shù)據(jù)中獲得的臨床信息，自動利用這些數(shù)據(jù)是許多高水平臨床應(yīng)用的廣泛需求。然而，目前中文醫(yī)學(xué)術(shù)語資源稀缺，嚴(yán)重地影響了相關(guān)研究的發(fā)展和技術(shù)的采用。究其原因

2、，大型醫(yī)學(xué)術(shù)語資源構(gòu)建工作耗時耗力而且需要持續(xù)的維護(hù)投入，這是中文醫(yī)學(xué)術(shù)語資源構(gòu)建中面臨的巨大挑戰(zhàn)。本論文針對以上問題，研究基于自然語言處理技術(shù)的中文醫(yī)學(xué)術(shù)語資源自動構(gòu)建方法，通過這些方法基于臨床語料庫構(gòu)建了中文醫(yī)學(xué)術(shù)語資源并開展了相關(guān)評估和應(yīng)用，具體內(nèi)容如下：
　　首先，利用條件隨機場的機器學(xué)習(xí)算法，結(jié)合臨床自由文本中術(shù)語多樣性的特點，設(shè)計了一個自動迭代的新術(shù)語發(fā)現(xiàn)算法，在給定輕量級特定語義類型種子字典的條件下，該算法可以從臨床

3、語料庫中自動迭代發(fā)現(xiàn)新的同類語義術(shù)語。該方法能顯著提高構(gòu)建語義術(shù)語資源的效率，大大降低人工采集術(shù)語的時間成本與人力成本。
　　其次，基于機器翻譯技術(shù)實現(xiàn)UMLS中3個常用語義類型中文化，結(jié)合上述機器學(xué)習(xí)方法從大規(guī)模臨床語料中學(xué)習(xí)獲得的術(shù)語資源，構(gòu)建了一個多語義類型的醫(yī)學(xué)術(shù)語資源。通過隨機抽樣的方法，對構(gòu)建的術(shù)語字典進(jìn)行準(zhǔn)確性的評估;在小規(guī)模臨床語料庫中對該字典進(jìn)行了覆蓋性的評估。評估結(jié)果表明該字典的準(zhǔn)確性和覆蓋性良好，為研究組進(jìn)一

4、步開展相關(guān)研究奠定了基礎(chǔ)。
　　最后，以構(gòu)建的術(shù)語資源為基礎(chǔ)，在臨床語料庫中展開了三個應(yīng)用研究，即分析癥狀術(shù)語在語料庫中的TF-IDF分布特征，建立了包含10292條癥狀-解剖部位關(guān)系對的知識庫，分析了語料庫的子語言模式、語義和詞性分布特征。為深入理解臨床文本的語法、語義和語用提供了定量的指標(biāo)。
　　本論文設(shè)計了快速高效的臨床醫(yī)學(xué)術(shù)語資源構(gòu)建的方法，為在中文領(lǐng)域中開展大規(guī)模醫(yī)學(xué)術(shù)語知識庫建設(shè)提供了有力的計算工具，同時該方法體