楊 兵,聶鐵錚,申德榮,寇 月,于 戈

(東北大學 計算機科學與工程學院,沈陽 110819)

1 引 言

隨著國內信息技術蓬勃發(fā)展,數(shù)字化建設步伐加快,各大醫(yī)療機構在很好地服務人們的同時也積累了大量的醫(yī)學信息數(shù)據(jù).然而,目前大部分的醫(yī)療文本都是以自然語言描述的非結構化數(shù)據(jù),如醫(yī)學影像報告、病理報告等.由于自然語言與機器語言之間存在巨大鴻溝,導致用計算機直接處理和分析非結構化文本的效率較低,也影響了分析結果的質量[1].因此,如何利用現(xiàn)有的技術方法從非結構化的醫(yī)學文本數(shù)據(jù)中提取潛藏的、有價值的信息逐漸成為信息抽取[2,3]領域關注和研究的重點.

醫(yī)學影像報告是醫(yī)生根據(jù)X線片、CT、MR等影像學資料編寫的一種電子文本記錄,是一種典型的非結構化數(shù)據(jù),其目的是反映疾病在某一階段的病理變化和功能改變,是重要的臨床診斷參考依據(jù).然而,目前的醫(yī)學影像報告主要是通過醫(yī)務工作者在電子信息系統(tǒng)中手動編寫的方法來產生.一方面,這種報告文本往往沒有固定的書寫格式,并且要求表述確切、內容全面,常常使用大量的醫(yī)學術語進行描述;另一方面,為了方便臨床醫(yī)生的快速診斷,要求文字簡明扼要、重點突出,因而常常使用短句描述,這就需要豐富的醫(yī)學領域知識和一定的語言學功底.

針對以上問題,本文在分析醫(yī)學影像報告數(shù)據(jù)特征的基礎上,提出了一種高效的針對醫(yī)學文本數(shù)據(jù)的結構化信息抽取方法.該方法首先構建VSM模型[4]對訓練文本進行聚類,再從聚類后的文本集合中識別并提取醫(yī)學描述語言常用的關鍵詞,以生成醫(yī)學領域的專業(yè)術語庫,并將該醫(yī)學術語庫用于提高中文分詞處理的效果,然后對文本中的描述短句進行語義依存分析并構建依存句法樹,以實現(xiàn)對醫(yī)學描述中的關鍵指標及其指標值的抽取,最終得到形式的結構化數(shù)據(jù).

2 相關工作

早期的結構化信息抽取主要面向英文文本,因為英文語法形式更為規(guī)范,并且已經構建了強大的語義知識庫(WordNet[5]等),而國內針對中文文本的結構化抽取技術還相對不夠成熟,這主要因為國內該領域的研究起步較晚,且中文語法復雜,常常需要進行中文分詞[6,7]、實體識別[8]等處理,這使得針對中文的結構化數(shù)據(jù)抽取更為困難,并且現(xiàn)有的知識庫(HowNet[9]等)并不支持特定領域內的詞匯和語法.尤其是面向醫(yī)學文本數(shù)據(jù),由于書寫自由、領域突出等特點,采用的方法大多依賴于通用的中文分詞系統(tǒng),如北京理工大學張華平博士團隊的NLPIR[10]、復旦大學自然語言處理團隊的FNLP[11]以及從開源項目Lucene發(fā)展而來的IKAnalyzer[12],此外還需要中文醫(yī)學知識庫的支持(如CMeSH[13]).

目前,對非結構化的醫(yī)學文本進行信息抽取大多采用基于規(guī)則的方式,但由于醫(yī)療文本中不同組織器官所具有的屬性不同,且描述不同病種所使用的指標詞也不同,所以若想制定出一種適用所有醫(yī)學報告形式的結構化規(guī)則十分困難[1].因此,研究人員從自然語言處理和機器學習兩個方向做了很多嘗試.

Socher R[14]等人提出了一種基于依賴關系樹的DT-RNN模型,該模型與之前使用分區(qū)樹的RNN模型不同,DT-RNN能更好地抽象出詞序和句法的細節(jié)描述,并使用遞歸神經網絡將句子映射到一個抽象空間,然后計算句子在依賴樹中的向量表達,最終通過這種方法得到的句子向量所包含的語義信息.

Li[15]等人提出一種基于詞語位置增益和知識庫(HowSet)語義的計算模型——LaSE,考慮文本數(shù)據(jù)中的位置特征和語義特征,而位置特征具有可計算性和可操作性,語義特征具有可理解性和現(xiàn)實性,通過這種特征結合的方式來進行實體關系抽取.

Jonnalagadda S[16]等人使用語義劃分來進行醫(yī)學領域的概念抽取,該方法使用判別式分類器(CRF)來提取醫(yī)療事故、臨床描述以及試驗中的醫(yī)學概念.通過語義劃分的方式來構建索引,然后從未標注的語料數(shù)據(jù)中構建向量空間模型,進行分類任務,并從給定的句子分類結果中抽取出詞匯模式.

Denecke K[17]等人使用統(tǒng)一醫(yī)學語言系統(tǒng)(UMLS)來進行語義結構化和信息提取,并提出了一種從自然語言文本數(shù)據(jù)中自動生成知識表示的方法——SeReMeD,然后結合現(xiàn)有的語言工程方法和語義轉換規(guī)則,將語義信息映射為語義表示,并通過這種方式將醫(yī)學文獻的內容轉換為結構化的語義信息.

上述方法都主要從模型和方法角度來進行研究,而忽略了數(shù)據(jù)本身的特征,即沒有充分考慮醫(yī)學文本數(shù)據(jù)(如醫(yī)學影像報告)所獨有的詞匯特征和語法特征.本文在總結各種模型和方法的同時,深入分析了實驗數(shù)據(jù)本身的特殊性以及與其他文本數(shù)據(jù)的差異性,針對醫(yī)學領域的專業(yè)詞匯和醫(yī)學報告的語法習慣分別構建醫(yī)學術語庫和依存關系庫,并進行多次迭代計算,以實現(xiàn)高魯棒性和可擴展性.

3 問題描述

醫(yī)學文本是醫(yī)務工作者在電子信息系統(tǒng)中采用自然語言編寫的一種記錄報告.以醫(yī)學影像報告為例,醫(yī)生通過觀察醫(yī)學影像設備(如胃鏡、支氣管鏡、CT、彩超等)的圖像顯示,給出病灶在某一階段的病理變化和功能改變的描述,數(shù)據(jù)樣例如表1所示.

表1 醫(yī)學影像報告數(shù)據(jù)樣例
Table 1 Data sample of medical imaging reports

檢查項目主要病癥人工描述支氣管鏡肺惡性腫瘤氣管環(huán)清晰,粘膜正常,隆突銳利,血管紋理清晰,左上葉管口可見新生物,管腔完全阻塞,取病理,左肺二級隆突粘膜充血,肥厚,左下葉管口粘膜充血,肥厚,左下葉B6管口局部粘膜充血,左肺余支氣管開口正常,未見新生物,右肺各支氣管開口正常,未見新生物.

因此,醫(yī)學影像報告是醫(yī)生編寫的一種病情描述,由表1可知,其用詞上大量使用醫(yī)學術語,如“氣管環(huán)”、“隆突”、“管腔”等;語法上主要采用短句結構,并為了語言精簡而大量省略動詞,同時常常伴有文言句式的表達形式,如“取病理”、“可見……”、“未見……”等.為了減少人工閱讀量,需要從這些文本數(shù)據(jù)中抽取結構化信息,但前提是必須準確識別這種自然語言描述中的關鍵指標及其相對應的指標值.下面給出本文所涉及到的幾個定義.

定義1.病灶.機體上發(fā)生病變的部分,包括人體中任何組織器官的病變.

定義2.關鍵指標.對人體指定部位檢查所涉及到的組織名和器官名等名詞.

定義3.指標值.一種與關鍵指標名相對應的描述信息.

以表1中的數(shù)據(jù)為例,在人工描述中包含“氣管環(huán)”、“粘膜”、“血管紋理”等人體肺部的組織器官名,即為關鍵指標名,而對于這些指標名的描述即為對應的指標值.因此,可以大致得到表1中人工描述信息進行抽取后的結果,如表2所示.

表2 結構化抽取結果示例
Table 2 Example of structured extraction

4 醫(yī)學文本結構化抽取方法

4.1 處理框架

本文提出的方法主要是對醫(yī)學報告文本中的結構化信息進行抽取,如圖1所示,系統(tǒng)分為兩個處理模塊:

圖1 醫(yī)學文本數(shù)據(jù)結構化抽取過程Fig.1 Processing of structured extraction for medical text data

1)在醫(yī)學術語提取模塊,對預處理后的訓練文本進行聚類,然后在每個文本類簇中進行關鍵詞抽取,以獲取具有豐富領域知識的醫(yī)學術語庫.

2)在結構化信息抽取模塊,利用生成的醫(yī)學術語庫提高測試文本的分詞質量,再利用現(xiàn)有的依存關系庫進行語義依存分析,構建依存句法樹的結構,然后依據(jù)語法規(guī)則抽取關鍵指標及其對應的指標值,最終得到結構化的輸出結果.

4.2 醫(yī)學術語提取

該模塊包含文本預處理、文本聚類和關鍵詞抽取三個操作,主要處理的是訓練文本,目的是為了獲取具有領域知識的醫(yī)學術語庫.在預處理階段,主要是分詞和數(shù)據(jù)清洗,包括去除停用詞和過濾句子結束符等.關于文本聚類和關鍵詞提取兩個階段,本文將分別在4.2.1節(jié)和4.2.2節(jié)中詳細介紹.

4.2.1 文本聚類

如第3小節(jié)所描述的數(shù)據(jù)特征,醫(yī)學文本往往句式復雜并且常常采用大量短句結構,從而造成語義晦澀,不便于機器理解,類別分散,聚類數(shù)據(jù)量大等困難,所以常用的聚類算法[18]并不能很好地處理這類數(shù)據(jù).因此,本文采用了基于向量空間模型(VSM)的文本聚類方法,以向量的形式來量化分析醫(yī)學文本的類別特征.

在向量空間模型中,每一個文本被看成一個詞匯集合,然后被表示成詞條權重的向量:

di={wi1,wi2,…,win}

(1)

其中,di表示一個文本,n表示詞條空間的維數(shù),每一個詞條的權重win代表了該詞條在文本中的重要性.

本文使用TF-IDF方法來計算詞條的權重,并使用向量的余弦系數(shù)來衡量文本之間的相似度[4],最終將文本數(shù)據(jù)劃分到不同的類簇中.

4.2.2 關鍵詞提取

為了獲得醫(yī)學領域的常用術語,需要提取每一個文本類簇中重要的描述詞,即醫(yī)學文本中的關鍵詞.為此,本文使用一種改進的TextRank[19,20]算法,在有向圖結構中使用依存關系作為節(jié)點詞之間關聯(lián)的主要規(guī)則,并且采用短句拆分的方式來降低圖結構的復雜程度.如算法1所示,這種方法可以在不需經過預先訓練的情況下進行關鍵詞提取.

考慮到依存關系只出現(xiàn)在相鄰兩個詞之間且文本以短句為主,所以算法1中的窗口大小k設置為2,權重收斂條件為連續(xù)兩次計算的結果相差不超過0.0001,權重更新的最大迭代次數(shù)count為10,候選關鍵詞數(shù)t為3.

然而,由于構建有向圖之前還需要利用現(xiàn)有工具對描述短句進行分詞和詞性標注,鑒于目前的各種NLP系統(tǒng)在醫(yī)學領域的文本數(shù)據(jù)上處理效果一般,所以在利用算法1提取出關鍵詞后還需要進一步的人工校正,以提高醫(yī)學術語庫的可用性.

4.3 結構化信息抽取

該模塊包含中文分詞、語義依存分析和關鍵指標抽取三個操作,目的是從醫(yī)學文本中抽取出結構化的鍵值對數(shù)據(jù).在中文分詞階段,本文采用基于HMM訓練模型的Jieba分詞系統(tǒng),并利用在4.2節(jié)中生成的醫(yī)學術語庫來識別醫(yī)學文本描述中的命名實體,包括人體組織名、器官名和一些常用的醫(yī)學表述詞,以此來提高醫(yī)學領域文本數(shù)據(jù)的分詞質量,而語義依存分析和關鍵指標抽取兩個階段將分別在4.3.1節(jié)和4.3.2節(jié)中詳細介紹.

算法1.基于TextRank的關鍵詞提取算法

輸入:文本類簇集合CLUSTERS,每個類簇包含若干個文本dj,迭代次數(shù)count,窗口大小k,候選詞數(shù)t;

輸出:關鍵詞集合KeyWords.

1. 初始化WordSet=φ,迭代次數(shù)count=0;

2. FORCiINCLUSTERS

3. FORdjINCi

4.WordList=posSegment(dj);

5. FORwkINWordList

6. Filter(wk);/*對wk進行語法過濾*/

7. Graph←wk;/*將詞wk添加到有向圖中*/

8. IF dependency(wk,wl,k)

9. Graph←edge;/*添加有向邊*/

10.WS←Init();/*初始化權重*/

11. WHILEcount

12. IFWS達到收斂 break;

13. Update(WS);/*更新權重WS*/

14. count++;

15. WHILE 節(jié)點Vi≠NULL

16. Sort(WS) /*節(jié)點權重降序排列*/

17. WHILEi

18.WordSet←Vi;/*將節(jié)點詞添加到KeyWords*/

19.count←0;/*更新迭代次數(shù)為0*/

20. RETURNKeyWords.

4.3.1 語義依存分析

由于醫(yī)學文本都是采用自然語言描述的,需要通過語義分析來進行解析,因此本文利用依存語法來分析詞條之間的這種語義依存[21-23]關系.依存語法是一種描述句子中各個詞條之間的依存結構的語法,這種語法不僅表示形式簡單,而且保留了短語結構信息.語言學家Robinson[24]總結了依存語法的理論基礎,歸納出以下4個公理:

公理1.一個句子中只有一個成分可以作為核心成分;

公理2.一個句子中的某一成分直接依存于句子中的其他成分;

公理3.句子中的任何成分不能依存于兩個或者兩個以上的成分;

公理4.句子中具有依存關系的成分之間不能有交叉關系.

根據(jù)依存語法的4個約束公理,本文在現(xiàn)有語法規(guī)則的基礎上歸納總結了中文自然語言中常用的14種語義依存關系,如表3所示.同時為了方便檢索和理解,本文對每一種依存關系都做了相應的標注和英文描述,通過這些常見的語義依存關系來構建一個依存關系庫,并將其應用于后續(xù)的語義依存分析處理.

在語義依存分析階段,本文使用CRFs模型獲取短句中任意兩詞之間最可能的依存關系,并采用最小生成樹算法來構建依存句法樹.以表1中的數(shù)據(jù)樣例為例,人工描述中寫到“左上葉管口可見新生物”,進行中文分詞后可得到詞條序列{“左上葉/nz”、“管口/n”、“可見/v”、“新生物/n”},再分析語義依存關系可得到圖2所示的依存句法樹.由圖2可知,依存關系樹的根節(jié)點就是每個短句具有核心關系的詞,即整個句子的核心,每個節(jié)點包含了原始詞、詞性以及該節(jié)點與其父節(jié)點之間的依存關系(根節(jié)點除外).由于醫(yī)學報告文本往往以短句的形式來描述,因此生成的依存句法樹通常結構相對簡單,并且樹的高度較低,這樣便于從這種樹形結構中抽取鍵值對,具體抽取方法將在4.3.2節(jié)中詳細介紹.

表3 語義依存關系歸納
Table 3 Summary of semantic dependency relations

序號依存關系標注描述1主謂關系SBVSubject-verb2動賓關系VOBVerb-object3定中關系ATTAttribute4狀中關系ADVAdverbial5動補關系CMPComplete6并列關系COOCoordinate7介賓關系POBPreposition-object8間賓關系IOBIndirect-object9前置賓語FOBFronting-object10左附加關系LADLeft-adjunct11右附加關系RADRight-adjunct12獨立結構ISIndependent-structure13核心關系HEDHead14兼語DBLDouble

4.3.2 關鍵指標抽取

從4.3.1節(jié)中可知,對于每個描述短句,都可以構建與之對應的依存句法樹,并且具有核心關系的詞作為根節(jié)點,從而可得到每個詞的詞性及其與父節(jié)點的依存關系.本節(jié)將結合句法樹中的語義依存關系和詞性特征來提取醫(yī)學文本描述中的關鍵指標及其指標值,以實現(xiàn)結構化信息抽取.

圖2 依存句法樹示例Fig.2 Example of dependency tree

在中文自然語言中,一個短句的成分通常包括:主語、謂語、賓語、定語、狀語和補語,其中具有核心關系的詞一般作為謂語成分,而醫(yī)學文本描述中又常常以動詞、名詞、形容詞作謂語;同時,在對醫(yī)學報告文本的描述語言進行歸納總結后,發(fā)現(xiàn)短句中常出現(xiàn)的語義依存關系(除核心關系外)主要有5種:主謂關系(SBV)、動賓關系(VOB)、定中關系(ATT)、動補關系(CMP)和并列關系(COO),表4列舉了醫(yī)學描述語言中的動詞、名詞和形態(tài)詞分別作為核心詞時主要出現(xiàn)的依存關系.

本文依據(jù)句法樹中根節(jié)點上的核心詞詞性及其與各孩子節(jié)點間的依存關系,分別采用不同的抽取策略.如算法2所示,當根節(jié)點上的詞性為動詞時,直接遍歷子節(jié)點并判斷其與父節(jié)點之間的依存關系即可確定關鍵指標名及其相對應的指標值;當根節(jié)點上的詞性為名詞或形容詞時,在遍歷各子節(jié)點之后,還需要對具有并列關系的子節(jié)點上的詞進行合并,作為最終的指標名,而將具有定中關系的詞作為相應的指標值.

表4 不同詞性的核心詞主要出現(xiàn)的依存關系
Table 4 Dependency relations on different key words

SBVVOBCMPATTCOO動詞√√√名詞√√形容詞√√

算法2.關鍵指標抽取算法

輸入:由各關鍵詞節(jié)點生成的依存句法樹,樹的每個節(jié)點包含原始詞word、詞性postag和依存關系relation;

輸出:結構化鍵值對的集合RESULT.

1. 初始化RESULT=φ;

2. IF 根節(jié)點root≠NULL

3. FORword,postag,relationINroot

4. IFpostag==′v′|′vn′|′vd′ /*根節(jié)點為動詞*/

5. WHILE 子節(jié)點child≠NULL

6. IFchild[relation]==′主謂關系/SBV′

7. 指標名key←child[word];

8. ELSE IFchild[relation]==′動賓關系/VOB′|′動補關系/CMP′

9. 指標值value←child[word];

10.RESULT←(key,value);/*將鍵值對添加到結果集*/

11. IFpostag==′n′|′ns′|′nz′|′a′|′ad′|′an′ /*根節(jié)點為名詞或形容詞*/

12. 指標名key←root[word];

13. WHILE 子節(jié)點child≠NULL

14. IFchild[relation]==′并列關系/COO′

15.k←combine(root[word],child[word]);/*合并具有并列關系的詞*/

16. 更新指標名key←k;

17. ELSE IFchild[relation]==′定中關系/ATT′

18. 指標值value←child[word];

19.RESULT←(key,value);

20. RETURNRESULT.

5 實驗與結果分析

5.1 實驗數(shù)據(jù)集

本文使用真實的醫(yī)學影像報告作為實驗數(shù)據(jù),其中共包含3000多條文本記錄,每條記錄由檢查項目、主要病癥和人工描述三個文本類型的屬性組成.針對這些實驗數(shù)據(jù),本文首先進行了初步的統(tǒng)計分析,如表5所示,實驗的文本數(shù)據(jù)集在各類別上分布不均.因此,本文重點篩選了樣本數(shù)量占比較大的支氣管鏡、彩超、胃鏡的影像報告數(shù)據(jù)進行實驗.此外,本文還將數(shù)據(jù)分為訓練文本集和測試文本集,兩部分數(shù)據(jù)集的規(guī)模按照6：4的比例進行隨機劃分.

針對選取的這3類樣本數(shù)據(jù)集,本文從句型的角度分析了醫(yī)學報告文本的句子特征.表6統(tǒng)計了支氣管鏡、彩超和胃鏡的報告文本中的句子長度情況,從中可以看出醫(yī)學上的文本數(shù)據(jù)主要以短句為主,句子的長度絕大部分都不超過10個詞,且主要集中在5個詞以內,平均占比達到了84.73%,而在胃鏡的檢查報告中,使用短句最多,5個詞以內的短句達到了91.67%,這說明醫(yī)學領域的文本描述受書寫習慣的影響較大,往往為了表述上的簡潔明確而弱化了中文自然語言的語法規(guī)則,從而增加了語義分析的難度.

表5 樣本數(shù)據(jù)統(tǒng)計信息
Table 5 Statistics of sample data

序號檢查項目樣本數(shù)量占比1支氣管鏡41.28%2彩超32.36%3胃鏡19.71%4CT1.51%5DR1.41%6MR1.41%7腸鏡1.01%8超聲胃鏡0.70%9鼻咽鏡0.61%

表6 三類樣本數(shù)據(jù)集的句子長度統(tǒng)計
Table 6 Statistics of sentences in three samples

0<詞數(shù)≤55<詞數(shù)≤10詞數(shù)>10彩超80.33%19.64%0.03%胃鏡91.67%8.32%0.01%支氣管鏡82.20%17.76%0.04%平均值84.73%15.24%0.03%

5.2 對比實驗與分析

本文的實驗數(shù)據(jù)首先要經過中文分詞處理.目前開源的分詞工具較多,但采用的算法模型不同,效果不一,因此本文對于使用比較廣泛的3種分詞工具,即NLPIR、IKAnalyzer和Jieba分別在現(xiàn)有數(shù)據(jù)集上進行了分詞實驗.由圖3的對比結果可知,對于醫(yī)學領域的中文文本數(shù)據(jù),三種分詞工具進行直接分詞的效果并不理想.相比之下,Jieba分詞能夠達到90%左右的準確率,較之NLPIR和IKAnalyzer有一定的優(yōu)勢,因此本文選擇Jieba作為本文實驗的主要分詞工具.

通過關鍵詞提取,本文得到了醫(yī)學描述中常用的術語,圖4給出了訓練文本和醫(yī)學術語庫中的一些高頻詞的分布情況.由圖4可知,動詞、名詞和形容詞作為醫(yī)學描述語言中的常用詞匯,在訓練文本和術語庫中的占都比較大,其中名詞使用頻率最高,在訓練文本中使用頻率達31.13%,而在術語庫中出現(xiàn)的頻率達43.62%,這主要因為醫(yī)學報告通常是對人體組織名和器官名的描述,所以名詞出現(xiàn)最多.相比于訓練文本數(shù)據(jù),醫(yī)學術語庫中動詞、名詞和形容詞相較于其它詞性的詞分布更加集中,這說明關鍵詞提取操作有效識別并提取了醫(yī)學描述語言中的一些常用詞匯.

圖4 訓練文本和術語庫中高頻詞對比Fig.4 High frequency words in training texts and termbase

為了提高中文分詞質量,本文使用生成的醫(yī)學術語庫作為用戶詞典,用于輔助分詞,表7給出了直接分詞和使用術語庫進行輔助分詞的結果對比.在實驗中,本文將測試數(shù)據(jù)集分為三個子集,分別從彩超、胃鏡、支氣管鏡三個主要的樣本數(shù)據(jù)來比較分詞的準確率.由表7可知,使用提取出的醫(yī)學術語庫可以明顯提高中文分詞的質量,平均準確率達到了97.78%,相比直接進行分詞,提高了7.23%,并且在胃鏡檢查的文本類簇中的分詞效果最好,準確率達到98.24%,而在支氣管鏡的文本類簇中的分詞效果提升最明顯,準確率提高了9.30%,由此可見,使用關鍵詞提取得到的術語庫進行輔助分詞確實有效地提高了醫(yī)學文本數(shù)據(jù)的分詞質量.

表7 直接分詞和使用術語庫的分詞準確率對比
Table 7 Comparison of segmentation accuracy with directly segmenting and using termbase

彩超胃鏡支氣管鏡平均值直接分詞92.06%91.23%88.37%90.55%術語庫分詞97.42%98.24%97.67%97.78%差值+5.36%+7.01%+9.30%+7.23%

在結構化信息抽取階段,本文采用了哈爾濱工業(yè)大學NLP實驗室開發(fā)的LTP工具包來進行語義依存分析,并且與基于結構化模板匹配[25]的方法進行了實驗對比.根據(jù)樣本數(shù)據(jù)的三個主要類別,本文設計了三組對比實驗,分別針對彩超檢查報告、胃鏡檢查報告和支氣管鏡檢查報告進行文本數(shù)據(jù)的結構化處理,并分析計算結果的準確率、召回率和F1值,實驗結果如表8、表9和表10所示.

由表8、表9和表10可知,在三組不同樣本集的實驗中,采用語義依存分析的方法準確率都能達到80%以上,相比之下,基于結構化模板匹配的方法由于通過人工構建模板庫在三個樣本集中實驗效果更佳,在彩超和支氣管鏡的樣本數(shù)據(jù)上準確率和召回率都要高于語義依存分析的結果.然而在胃鏡檢查報告的樣本數(shù)據(jù)中采用語義依存分析的結果準確率達到了83.76%的準確率,與通過模板匹配的結果相差不大,并且在召回率上甚至達到了88.09%,高出了0.94%,這說明語義依存分析的方法能夠有效識別并抽取醫(yī)學文本描述中的結構化信息,并且與通過人工模板庫進行匹配的結果相近,甚至在一些特定數(shù)據(jù)集下采用語義依存分析的方法能獲得更高的指標覆蓋率,即能夠識別出更多的關鍵指標,從而抽取出更多的鍵值對.

表8 彩超報告結構化信息抽取結果對比
Table 8 Comparison of the results on color doppler reports for structured extraction

準確率召回率F1基于模板匹配81.62%85.21%83.37%語義依存分析80.53%83.11%81.80%差值 -1.09%-2.10%-1.57%

表9 胃鏡報告結構化信息抽取結果對比
Table 9 Comparison of the results on gastroscope reports for structured extraction

準確率召回率F1基于模板匹配84.02%87.15%85.56%語義依存分析83.76%88.09%85.87%差值 -0.26%+0.94%+0.31%

表10 支氣管鏡報告結構化信息抽取結果對比
Table 10 Comparison of the results on bronchoscopy reports for structured extraction

準確率召回率F1基于模板匹配82.51%86.21%84.32%語義依存分析80.93%84.50%82.68%差值 -1.58%-1.71%-1.64%

最后,本文對抽取的結構化鍵值對做了進一步分析,圖5給出了語義依存分析和基于模板匹配兩種方法處理后的結果數(shù)據(jù)中五種高頻依存關系的對比情況.由圖5可知,采用結構化模板進行匹配的方法主要處理的是具有主謂關系、定中關系和并列關系的詞,而對于具有動賓關系和動補關系的詞處理效果較差.相比之下,采用語義依存分析的方法對于這五種依存關系都能取得較好的效果,占比都在10%以上,并且對于具有并列關系的詞能達到21.57%的處理效率,由此說明采用語義依存分析的方法能識別并處理更多的依存關系,相比模板匹配具有更高的語法覆蓋率,因而該方法適用性更強,并有利于向其它文本數(shù)據(jù)擴展.

圖5 語義依存分析和模板匹配的依存語法覆蓋率對比Fig.5 Grammar coverage of semantic dependency analysis and template matching

6 總 結

本文所提出的一種針對醫(yī)學領域文本數(shù)據(jù)的結構化信息抽取方法,重點分析了樣本集的數(shù)據(jù)特征,并采用文本聚類和關鍵詞抽取的方法獲得了醫(yī)學術語庫,顯著提高了醫(yī)學文本的分詞質量;在結構化信息抽取階段,本文通過分析詞與詞之間的語義依存關系和構建依存句法樹,準確識別并抽取出了醫(yī)學描述中的關鍵指標及其對應的指標值,同時取得了很好的語法覆蓋率,有利于本方法的擴展應用.然而在抽取的準確率上,本文的方法還有待改進和提升,未來將考慮結合深度學習相關的算法模型,更加充分地提取和利用數(shù)據(jù)本身的特征,以更好地實現(xiàn)結構化信息抽取.