王帥帥， 徐 臻

（中國電子科技南湖研究院， 浙江 嘉興 314000）

0 引 言

淋巴水腫是以淋巴管堵塞引起肢體腫脹為代表的一種疾病。 根據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，淋巴水腫在常見慢性病中列第11 位，致殘類疾病中列第2 位，全球淋巴水腫患者約達(dá)1.7 億，中國淋巴水腫患者也高達(dá)千萬人。 淋巴水腫是世界醫(yī)學(xué)難題，目前尚不可治愈，如果早期發(fā)現(xiàn)，診斷治療及時(shí)得當(dāng)，可以不同程度得以緩解。 目前國內(nèi)系統(tǒng)有效診斷治療淋巴水腫的醫(yī)療機(jī)構(gòu)還很少，相關(guān)專業(yè)醫(yī)生缺口巨大，淋巴水腫的相關(guān)知識(shí)尚不普及，大多數(shù)患者在發(fā)病后得不到有效的診斷和治療，導(dǎo)致病情不斷惡化，因此構(gòu)建一個(gè)淋巴水腫疾病的智能診斷模型具有重要意義。 本文利用深度學(xué)習(xí)技術(shù)，使數(shù)字賦能病理診斷，通過訓(xùn)練和學(xué)習(xí)醫(yī)院收集的淋巴水腫電子病歷，快速實(shí)現(xiàn)對(duì)電子病歷內(nèi)容的的識(shí)別與理解，從而大大提升病理診斷的效率和準(zhǔn)確率，輔助專業(yè)醫(yī)師，服務(wù)更多的患者。

1 診斷推理模型

1.1 電子病歷關(guān)鍵詞的提取

關(guān)鍵詞是文檔中能夠表達(dá)重要內(nèi)容的詞語，關(guān)鍵詞提取在信息檢索、自動(dòng)摘要、文本聚類等方面有重要應(yīng)用。 本文認(rèn)為電子病歷中一些關(guān)鍵詞語和檢查結(jié)果對(duì)病歷診斷結(jié)果有重要作用，尤其淋巴水腫相關(guān)疾病，不僅要識(shí)別出淋巴水腫類型，還需要識(shí)別出身體患淋巴水腫的部位。 提取病歷中關(guān)鍵癥狀、部位、疾病等關(guān)鍵詞，可以更好地幫助模型理解病歷的內(nèi)容。 關(guān)鍵詞抽取常用的算法有詞頻－逆文本頻率（TF－IDF）、文本排序（TEXTRANK）算法和主題模型算法。 本文關(guān)鍵詞提取使用TF－IDF 算法。 TF－IDF 的含義是如果某個(gè)詞或短語在一篇文章中出現(xiàn)的頻率（） 高，并且在其他文章中很少出現(xiàn)，則認(rèn)為此詞或者短語具有很好的類別區(qū)分能力，適合用來分類。 詞頻（） 是指某一個(gè)給定的詞語在該文中出現(xiàn)的頻率，式（1）。

其中，n 表示該詞在文件中的出現(xiàn)次數(shù)，分母為文件中所有詞的出現(xiàn)次數(shù)之和。

TF－IDF 假設(shè)高頻率詞應(yīng)該具有高權(quán)重，除非其在所有的文檔中出現(xiàn)的頻率都很高。 而逆文檔頻率（） 的大小與一個(gè)詞的常見程度成反比，即最常見的詞賦予最小的權(quán)重，較常見的詞賦予較小的權(quán)重，而較小頻率的詞賦予較大的權(quán)重，式（2）。

其中，｜D ｜表示語料庫中的文檔總數(shù)，｛：t∈d｝表示包含詞語t的文檔數(shù)目。

在分別計(jì)算得到和后，將其相乘就能得到TF－IDF 的值，如式（3）所示。

計(jì)算得到文本的關(guān)鍵詞特征向量和TF－IDF 特征向量后，將其拼接為一維的長(zhǎng)向量，該向量就是最終機(jī)器學(xué)習(xí)算法要學(xué)習(xí)的特征向量。 本文使用的淋巴水腫電子病歷數(shù)據(jù)，如圖1 所示。 對(duì)其中一個(gè)電子病歷主訴、現(xiàn)病史、個(gè)人史、家族史和體格檢查內(nèi)容使用TIIDF 提取關(guān)鍵詞，按重要性排序如圖2 所示。

圖1 淋巴水腫電子病歷Fig.1 Lymphedema electronic medical record

圖2 關(guān)鍵詞排序Fig.2 Keyword ranking

1.2 融合關(guān)鍵詞的注意力診斷推理模型

在自然語言領(lǐng)域序列到序列（seq2seq）模型和注意力機(jī)制（attention）為生成式推理提供了一種可行方法。 但這些模型存在兩個(gè)問題：

（1）不能準(zhǔn)確把握文章細(xì)節(jié)，無法處理未登錄單詞問題；

（2）傾向于重復(fù)自己的內(nèi)容，使生成的句子不連貫。

指針生成網(wǎng)絡(luò)（PGN）通過指向從源文本中復(fù)制單詞，有助于準(zhǔn)確地復(fù)制信息，同時(shí)保留通過生成器產(chǎn)生新單詞的能力，使用覆蓋（coverage）機(jī)制來跟蹤已總結(jié)的內(nèi)容，防止重復(fù)。 PGN 是在seq2seq 模型的基礎(chǔ)上構(gòu)建，PGN 模型架構(gòu)如圖3 所示。

圖3 PGN 模型Fig.3 PGN model

該模型在seq2seq＋attention 模型的基礎(chǔ)上增加了P，在每個(gè)解碼器過程中，計(jì)算一個(gè)生成概率P［0，1］，該值決定有多大的概率從單詞表中生成單詞，模型中的最終分布根據(jù)詞匯分布和注意分布加權(quán)求和得到，根據(jù)最終分布進(jìn)行預(yù)測(cè)。 PGN 既允許通過指針復(fù)制單詞，也允許根據(jù)詞匯生成單詞。在指針生成器模型中，時(shí)間步長(zhǎng)的生成概率P是根據(jù)上下文向量h、解碼器狀態(tài)S和解碼器輸入x計(jì)算，如式（4）式（6） 所示。 本文的編碼端和解碼端使用的是長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）。 編碼端的輸入為（，…，x）， 解碼端的輸入為（，…，y）。

其中，（x） 為單詞的詞向量；向量w、w、w、b是學(xué)習(xí)參數(shù)；是激活函數(shù)。

P用來決定從詞匯表生成單詞，還是從源文本復(fù)制單詞的概率，用來對(duì)詞匯分布和注意力分布進(jìn)行加權(quán)平均，得到擴(kuò)展詞匯表上的概率分布，如式（7）所示。

使用PGN 進(jìn)行病歷診斷結(jié)果生成的結(jié)果往往會(huì)忽略一些重要的詞，比如部位等，而且現(xiàn)有的深度學(xué)習(xí)生成方法只關(guān)注結(jié)果與原始文本的總體關(guān)系，有時(shí)可能會(huì)對(duì)文本中的主要細(xì)節(jié)內(nèi)容把握不準(zhǔn)確，導(dǎo)致生成的結(jié)果不全面，很容易丟失病歷中部位、癥狀等關(guān)鍵信息。 將病例中關(guān)鍵詞作為PGN 模型生成結(jié)果的提示，病歷的關(guān)鍵詞可以是部位、疾病之類名詞，也可以是癥狀類的描述性短語，讓模型在解碼時(shí)更加關(guān)注這些關(guān)鍵詞匯，從而使生成的結(jié)果更加準(zhǔn)確。 如圖4 所示，將病歷關(guān)鍵詞通過注意力機(jī)制融入到PGN 模型中，模型就可以通過關(guān)鍵詞所包含的語義和病歷中其他信息生成概括性的診斷結(jié)論。

圖4 融合關(guān)鍵詞的注意力模型Fig.4 Attention model fused with keywords

病歷輸入時(shí)使用word2vec 訓(xùn)練生成詞向量，對(duì)于本文選取到的關(guān)鍵詞，使用word2vec 生成詞向量｛，，…，k｝，將所有的相加作為輸入融合注意力機(jī)制。 計(jì)算方法如式（8） 和式（9） 所示。

2 數(shù)據(jù)與驗(yàn)證

2.1 實(shí)驗(yàn)設(shè)置與數(shù)據(jù)

本文使用8 000 份電子病例作為實(shí)驗(yàn)的訓(xùn)練集，使用500 份電子病歷作為測(cè)試集，300 份淋巴水腫病歷作為驗(yàn)證數(shù)據(jù)集。 實(shí)驗(yàn)在GPU 服務(wù)器上進(jìn)行，采用pytorch 深度學(xué)習(xí)框架。 本文使用的詞匯表大小為8 000 詞，單詞向量的維度是128，編碼器和解碼器的輸入維度是256，batch＿size 大小為64。

2.2 評(píng)價(jià)方法

本實(shí)驗(yàn)使用的評(píng)價(jià)指標(biāo)為rouge（recall－oriented understudy forgisting evaluation），是文章摘要提取和機(jī)器翻譯常用的評(píng)價(jià)指標(biāo)。 ROUGE 主要有ROUGEN、ROUGE－L 和ROUGE－W 3 種方法，本文使用的是ROUGE－L 方法， l 指最長(zhǎng)公共子序列，使用了機(jī)器譯文C 和參考譯文S 的最長(zhǎng)公共子序列，式（10）～式（12）。

其中，表示文本公共長(zhǎng)度；R表示召回率；P表示精確率； F就是ROUGE－L。

3 結(jié)果與分析

本文使用每個(gè)病歷數(shù)據(jù)集經(jīng)處理后長(zhǎng)度為900字左右，一個(gè)病歷診斷結(jié)果生成示例如圖5 所示。

圖5 診斷結(jié)果生成Fig.5 Diagnosis result generation

為了驗(yàn)證算法的有效性，本文對(duì)比了序列到序列，注意力機(jī)制和指針生成網(wǎng)絡(luò)模型，評(píng)價(jià)指標(biāo)使用ROUGE－1、ROUGE－2，ROUGE－L，實(shí)驗(yàn)結(jié)果見表1。實(shí)驗(yàn)表明， 本文提出的融合關(guān)鍵字的注意力機(jī)制疾病診斷推理模型識(shí)別準(zhǔn)確率優(yōu)于其他的算法。

表1 模型結(jié)果對(duì)比Tab.1 Comparison of model results

由表1 可以看出，在將病歷中關(guān)鍵信息加入到模型后，本文的融合關(guān)鍵字的注意力機(jī)制明顯優(yōu)于指針生成網(wǎng)絡(luò)，在生成的診斷結(jié)論中，融合關(guān)鍵字的注意力機(jī)制可以有效的提取到病歷中關(guān)鍵信息，ROUGE－2 指標(biāo)提升最多，能夠得到性能更好地淋巴水腫診斷推理模型，為淋巴水腫相關(guān)疾病診斷提供了可靠的輔助支持。

4 結(jié)束語

本文提出的融合關(guān)鍵詞的注意力機(jī)制模型即保持了模型的文本生成能力，又可以讓模型可以向醫(yī)生一樣依據(jù)病歷中的核心癥狀和核心部位等信息進(jìn)行疾病的推理，生成的診斷結(jié)果更加連貫，更能覆蓋病歷信息。 利用深度學(xué)習(xí)技術(shù)構(gòu)建水腫診斷推理模型可以幫助醫(yī)生進(jìn)行疾病的快速診斷，讓患者可以及時(shí)得到治療，在一定程度上緩解醫(yī)療資源不足問題。