徐永東，權(quán)光日，王亞東

(哈爾濱工業(yè)大學(xué)(威海)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，264209山東威海，ydxu@insun.hit.edu.cn)

在醫(yī)療信息化的大背景下，隨著計(jì)算機(jī)及互聯(lián)網(wǎng)技術(shù)的發(fā)展，以電子病歷為載體的數(shù)字化醫(yī)療信息呈現(xiàn)海量增長(zhǎng)的趨勢(shì)，為快速準(zhǔn)確獲得所需信息，并將其以規(guī)范化的形式存儲(chǔ)，使之方便地實(shí)現(xiàn)醫(yī)療數(shù)據(jù)的存儲(chǔ)、傳輸、共享以及數(shù)據(jù)挖掘已成為人們一種迫切的需求.

電子病歷 (EMR)在美國(guó)、日本和英國(guó)等[1－2]國(guó)家已投入巨資進(jìn)行了深入的研究和應(yīng)用.在國(guó)內(nèi)醫(yī)學(xué)領(lǐng)域[3]，電子病歷及相關(guān)的醫(yī)療信息存儲(chǔ)、傳輸、共享、挖掘等研究仍屬剛剛起步階段.而目前的電子病歷大多以非結(jié)構(gòu)化或者半結(jié)構(gòu)化的文本形式為主，越來越難以滿足現(xiàn)代醫(yī)學(xué)研究的需求.因此，將病歷信息進(jìn)行數(shù)字化與可計(jì)算化轉(zhuǎn)換是具有重大意義的研究課題.

目前普遍采用基于結(jié)構(gòu)化病歷采集模板的方式采集病歷信息，獲得大規(guī)模結(jié)構(gòu)化病歷庫.由于人工創(chuàng)建模式的方法不僅耗時(shí)費(fèi)力，而且由于信息抽取模式的分布不均勻，獲取數(shù)目龐大的低頻模式往往變得非常困難.因此目前常用模式自動(dòng)生成技術(shù)來獲取信息抽取模式，包括基于人工語料標(biāo)注的模式學(xué)習(xí)方法、基于人工語料分類的模式學(xué)習(xí)方法、基于種子的模式學(xué)習(xí)方法等[4－9].國(guó)內(nèi)醫(yī)療模式獲取方面主要進(jìn)行了對(duì)中醫(yī)藥學(xué)的局部信息抽取的研究.文獻(xiàn)[10]提出了 Bubblebootstrapping方法，對(duì)中醫(yī)藥學(xué)中的復(fù)方名稱和疾病名稱進(jìn)行了自動(dòng)抽取.文獻(xiàn)[11]構(gòu)建了醫(yī)學(xué)本體來處理醫(yī)學(xué)知識(shí).本文通過對(duì)大量實(shí)際病歷的分析;根據(jù)其描述獨(dú)特的句法、語法特點(diǎn)以及極強(qiáng)的領(lǐng)域特殊性.根據(jù)人工給出的種子對(duì)大量訓(xùn)練病歷進(jìn)行學(xué)習(xí)，最終得到每類診察、診斷信息的抽取模式，然后通過匹配信息抽取模式的方法完成對(duì)病歷診察信息的抽取.

1 醫(yī)療信息模式自動(dòng)獲取

病歷信息的抽取通常基于模式匹配的方法，即模式以空槽的形式給出應(yīng)從文本中獲取的各項(xiàng)內(nèi)容.因此模式的自動(dòng)獲取是關(guān)鍵信息抽取算法的核心.

1.1 基于HL7的病歷信息描述特征分析

本文采用滿足HL7標(biāo)準(zhǔn)的數(shù)據(jù)庫作為數(shù)據(jù)存儲(chǔ)方案.因此必須首先結(jié)合HL7參考信息模型與病歷自身的特點(diǎn)來分析，進(jìn)而達(dá)到對(duì)病歷信息有效覆蓋的同時(shí)方便抽取的數(shù)據(jù)進(jìn)行結(jié)構(gòu)化存儲(chǔ).

HL7(Health Level Seven)是由美國(guó)國(guó)家標(biāo)準(zhǔn)局(ANSI)授權(quán)的標(biāo)準(zhǔn)開發(fā)機(jī)構(gòu)Health Level Seven INC.(HL7組織)研究開發(fā)的一個(gè)專門用于醫(yī)療衛(wèi)生機(jī)構(gòu)及醫(yī)用儀器、設(shè)備數(shù)據(jù)信息傳輸、存儲(chǔ)以及處理的標(biāo)準(zhǔn).目前已成為全球各國(guó)醫(yī)療衛(wèi)生信息化的重要基礎(chǔ)和關(guān)鍵技術(shù).在HL7標(biāo)準(zhǔn)中特別定義了用于數(shù)據(jù)的存儲(chǔ)與交換的信息表示模型——參考信息模型(RIM)，它是結(jié)構(gòu)化的信息規(guī)范.這個(gè)模型包括屬性(Attributes)、關(guān)系(Relationships)、約束(Constraints)和狀態(tài)(States).它簡(jiǎn)明、完整的定義一套結(jié)構(gòu)和詞匯，用于實(shí)現(xiàn)廣泛的臨床場(chǎng)景的信息表達(dá)需求.

本文利用自動(dòng)獲取的模式來抽取的信息是診察信息，該類信息在HL7設(shè)置的數(shù)據(jù)模型中，屬于觀察類表的信息.在該模型中很多類信息都屬于觀察類的信息，包括診察信息、診斷信息、實(shí)驗(yàn)結(jié)果、過敏反應(yīng)以及生理現(xiàn)象.如表1所示的是一個(gè)觀察類的實(shí)例——病述表.

表1 病述表

在病述表中，除了用來識(shí)別表內(nèi)項(xiàng)的主碼“ID”外，用來描述診察癥狀的項(xiàng)分為:癥狀開始時(shí)間、癥狀部位、癥狀描述、程度/頻度和持續(xù)時(shí)間5個(gè)部分.

為了能用機(jī)器學(xué)習(xí)的方法自動(dòng)完成病歷信息的抽取，還需要對(duì)病歷本身的結(jié)構(gòu)和特征有充足的認(rèn)識(shí).表2所示的是一份有代表性的燙傷病歷的診察信息.

表2 病歷診察信息

診察信息除了在表達(dá)方式上具有顯著的醫(yī)學(xué)領(lǐng)域特征外，與HL7的參考信息模型相比有以下特點(diǎn):

1)與參考信息模型的數(shù)據(jù)相比，普通診察信息沒有癥狀開始時(shí)間與持續(xù)時(shí)間2個(gè)部分.上述信息在病歷中以病史及入院經(jīng)過信息出現(xiàn).病歷中出現(xiàn)的診察信息全部以靜態(tài)信息出現(xiàn)，時(shí)間默認(rèn)為病歷生成時(shí)間.

2)普通診察信息的表述具有自然語言的特點(diǎn)，信息的表述與參考信息模型的代碼表述相比較復(fù)雜.

因此，模式的表達(dá)方式經(jīng)過消減與細(xì)分后可分為:對(duì)象的修飾、對(duì)象、程度/頻度、性質(zhì)和描述5個(gè)部分.根據(jù)上述信息特點(diǎn)本文設(shè)計(jì)了病歷信息的五元組表示形式:＜對(duì)象修飾，對(duì)象，程度，性質(zhì)，對(duì)象描述＞.其中對(duì)象與描述部位必須出現(xiàn).而病歷信息抽取模式就是五元組的子集.

另外，由于語言使用的靈活性，五元組中的主體修飾與程度部分的位置也具有一定的靈活性.因此模式格式的定義中各元素的相對(duì)位置并不是唯一的.

根據(jù)對(duì)大量的病歷中診察信息的特征結(jié)合HL7參考信息模型的分析，發(fā)現(xiàn)診察信息基本上是由主體和描述2部分組成，這部分診察信息本文稱為第1類診察信息(文中沒有明確說明是哪一類的都是指第1類診察信息)，通過診察抽取模式對(duì)它進(jìn)行獲取，如“頭痛、面色無華、口干、舌質(zhì)暗紅、心煩”等.

其中信息的主體是由對(duì)象和描述2部分組成，如“頭痛、面色無華、口干”等，本文可以采用二元組來表示:＜對(duì)象，描述＞.

例如，對(duì)于語句“右臂前部劇烈腫痛”，經(jīng)過詞法分析處理后為“右 /f，臂 /n，前部 /f，劇烈 /a，腫/v，痛/a”，采用 ＜對(duì)象，描述 ＞二元關(guān)系模式可以得到特例模式:＜臂/n，痛/a＞.采用五元組對(duì)它進(jìn)行匹配可得到一個(gè)六元組的特例模式:＜ 右 /f，臂 /n，前部 /f，劇烈 /a，腫 /v，痛 /a ＞.

五元組中除二元關(guān)系外其他3個(gè)部分(即主體修飾詞、程度和性質(zhì))稱為模式抽取語義類.語義類雖然不是診察信息必須的組成部分，但它們對(duì)抽取模式的表示具有非常重要的作用.

1)解決同義詞表述問題，簡(jiǎn)化二元關(guān)系模板.

2)去掉修飾語中的否定性詞匯，使模板得到統(tǒng)一和簡(jiǎn)化，解決語句歧義問題.

3)可以更加精確的對(duì)信息進(jìn)行量化，例如含有修飾詞“無”的癥狀可以量化成0;含有修飾詞“輕微的可以量化成0.5;含有修飾詞“極”、“非?！笨梢粤炕?等等;方便后續(xù)數(shù)據(jù)的轉(zhuǎn)換、量化分析、數(shù)據(jù)挖掘.

4)去掉導(dǎo)致模板抽取的錯(cuò)誤的無效信息.

表3是對(duì)語義類的一些應(yīng)用舉例.本文利用《同義詞詞林》并針對(duì)它們?cè)卺t(yī)學(xué)領(lǐng)域的語義特點(diǎn)，設(shè)計(jì)了病歷信息語義類同義詞林，并用一個(gè)對(duì)象來替換模板中出現(xiàn)的多個(gè)同類詞.這個(gè)對(duì)象可能為詞組，如“部位”，也可能為各類復(fù)合詞組如表示數(shù)值的“程度1.5”或者直接刪除.

表3 語義類舉例

1.2 模式泛化

二元關(guān)系特例模式只能概括生成它的文本，要想使其能概括別的文本片段，則需要對(duì)特例模式泛化，生成泛化模式.一般對(duì)特例模式進(jìn)行泛化有2種方法:基于語法的泛化和基于語義的泛化.基于語法的泛化是把特例模式中具有相同語法的對(duì)象進(jìn)行抽象，得到泛化模式;基于語義的泛化是指把多個(gè)特例模式中具有相同語義類型的單元進(jìn)行抽象，得到泛化模式.本文采用語法與語義相結(jié)合的泛化方法，進(jìn)行二元關(guān)系泛化和語義類泛化2個(gè)階段的處理.

1.2.1 模式的二元關(guān)系泛化算法

二元關(guān)系泛化的主要目的為:去除否定性詞匯;生成可發(fā)現(xiàn)新二元關(guān)系的模式.二元關(guān)系泛化算法如圖1所示.

例如文本片段“右膝無腫痛”與二元關(guān)系“膝痛”進(jìn)行匹配，找到一個(gè)對(duì)象類命名實(shí)體和一個(gè)描述類命名實(shí)體.可以生成一個(gè)特例模式為:＜{右 /adj}，{膝 /n}，{無 /v}，{腫 /v}，{痛 /v}＞.該特例模式經(jīng)過二元關(guān)系泛化后可得到二元關(guān)系泛化模式:＜{右 /adj}，對(duì)象，{腫 /v}，描述}＞.

圖1 二元關(guān)系泛化算法描述圖

1.2.2 模式的語義類泛化算法

由于本文處理的信息具有醫(yī)學(xué)領(lǐng)域的獨(dú)特特性，特別是句法結(jié)構(gòu)比較簡(jiǎn)單.易于建立簡(jiǎn)單的語義理解規(guī)則.因此提出了一個(gè)基于規(guī)則與語義類表的語義類泛化算法.該算法的主要思想為:利用二元關(guān)系泛化模式的對(duì)象與描述部位的槽，將模式分割為3部分，分別為:對(duì)象前部、對(duì)象與描述中間部位和描述后部.將對(duì)象前部的全部詞作為對(duì)象描述信息，與對(duì)象修飾語義類進(jìn)行比較替換.中間部位的信息的詞集合一定屬于對(duì)象修飾類、程度類與性質(zhì)類構(gòu)成的總集合的子集，且具有順序性，因此這部分信息按照該順序規(guī)則進(jìn)行匹配替換.描述后部的詞作為程度類信息進(jìn)行匹配替換.替換后的泛化模式存入模式庫.

語義類泛化算法具體描述如圖2所示.

圖2 語義類泛化算法描述圖

例如將二元關(guān)系泛化模式 ＜{右 /adj}，對(duì)象，{關(guān)節(jié) /n}，{腫 /v}，描述，{嚴(yán)重 /adj}＞ 按照對(duì)象實(shí)體和描述實(shí)體進(jìn)行分割，形成3個(gè)片段＜{右 /adj}＞、＜{關(guān)節(jié)/n}{腫 /v}＞、＜{嚴(yán)重/adj}＞.分別對(duì)其進(jìn)行語義類泛化并重新組合，生成語義類泛化模式{＜部位 ＞，對(duì)象，＜部位 ＞，＜性質(zhì)001＞，描述，＜程度2＞}.

1.3 抽取模式自動(dòng)獲取算法設(shè)計(jì)

在抽取模式和模式泛化的定義的基礎(chǔ)上，針對(duì)診察信息的特點(diǎn)，本文設(shè)計(jì)了一個(gè)基于Bootstrapping算法的模式自動(dòng)獲取算法，用于獲取病歷信息的二元關(guān)系，從而得到該類信息的抽取模式.Bootstrapping算法是一種從自由文本中進(jìn)行信息抽取實(shí)現(xiàn)結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)的新的信息抽取模式獲取方法.它不需要預(yù)先標(biāo)注的手工訓(xùn)練集，只需要以少數(shù)數(shù)據(jù)(種子)和大量的未標(biāo)注語料為基礎(chǔ)，通過由種子詞產(chǎn)生模式，再由模式產(chǎn)生種子詞的不斷循環(huán)迭代，最終產(chǎn)生所需的模式庫.其整體流程如圖3所示.

圖3 Bootstrapping算法流程圖

基于Bootstrapping的模式獲取方法由3個(gè)部分組成:

l)初始條件.給定一個(gè)醫(yī)院病歷文檔集合D={d1，d2，…，dn}、醫(yī)學(xué)術(shù)語庫、語義類庫、詞法分析模塊和人工給初的少量種子二元關(guān)系.定義二元關(guān)系類別SR=＜n，v＞，其中:n為文本串中名詞性短語NP的中心詞;v為文本串中修飾n的動(dòng)詞或形容詞短語的中心詞.

2)Bootstrapping迭代.目標(biāo)為從D中學(xué)習(xí)SR的二元關(guān)系模式集合P和屬于SR的二元關(guān)系集合R.首先利用種子關(guān)系檢索病歷文本集合，產(chǎn)生可信度高的新二元關(guān)系實(shí)例;然后利用新模式去匹配語料集，抽取新的種子關(guān)系.由此循環(huán)迭代，至達(dá)到規(guī)定的迭代次數(shù)或種子關(guān)系不再增加為止.

3)輸出結(jié)果.目標(biāo)詞和用于抽取目標(biāo)詞的模式.

算法的具體描述如圖4所示.

圖4 Bootstrapping算法描述圖

2 基于自動(dòng)獲取模式的信息抽取算法

利用已有的模式庫對(duì)病歷中的診察信息進(jìn)行抽取.問題在于:模式庫中的診察信息抽取模式經(jīng)過模式的2階段泛化，已經(jīng)成為抽象的字符串組合.這種組合已經(jīng)脫離了自然語言的范疇，無法直接用來與診察信息中的語句進(jìn)行匹配，并抽取相應(yīng)信息.因此，需要將抽象化的模式與診察信息語句建立對(duì)應(yīng)關(guān)系.

算法思想為:二元關(guān)系庫中的二元關(guān)系既是用來進(jìn)行模式生成的種子，也是模式抽取的對(duì)象.因此，若一條語句能夠被診察信息抽取模式所匹配，則在二元關(guān)系庫中至少有一個(gè)二元關(guān)系能與該語句進(jìn)行匹配.找出與所要抽取的語句能夠匹配的所有二元關(guān)系，從這些二元關(guān)系中依次取出二元關(guān)系并對(duì)待抽取語句調(diào)用一次模式泛化算法，獲得的模式與模式庫中的模式進(jìn)行匹配.算法的流程如圖5所示.

圖5 自動(dòng)獲取模式的信息抽取算法流程圖

3 結(jié)果與分析

衡量信息抽取系統(tǒng)性能主要根據(jù)3個(gè)常用的評(píng)價(jià)指標(biāo):召回率R、準(zhǔn)確率P和F度量值.對(duì)于需要抽取的n個(gè)狀態(tài)，則評(píng)價(jià)指標(biāo)為

式中:ce為對(duì)于第i個(gè)狀態(tài)抽取出的正確信息個(gè)數(shù);te為沒有抽取出的正確信息個(gè)數(shù);fe為抽取出的錯(cuò)誤信息個(gè)數(shù).

實(shí)驗(yàn)數(shù)據(jù)采用由長(zhǎng)春市市醫(yī)院燒傷科提供的312份2005年～2008年間燒傷科住院病歷.本文從中取出30份病歷作為抽取測(cè)試數(shù)據(jù)，其余病歷作為訓(xùn)練語料.

系統(tǒng)主要包括模式庫建立、信息抽取2個(gè)處理部分，總體流程如圖6所示.首先進(jìn)行語料預(yù)處理，根據(jù)各個(gè)部位相應(yīng)的關(guān)鍵詞提示，如“病人特點(diǎn)”、“查體”、“入院經(jīng)過”等，將相關(guān)信息分類.然后對(duì)含有并列詞語句拆分成單句，并對(duì)單句進(jìn)行分詞與詞性標(biāo)注，本文采用的資源是《新編全醫(yī)藥學(xué)大辭典》公布的醫(yī)學(xué)術(shù)語庫.最后進(jìn)行模式自動(dòng)抽取和結(jié)構(gòu)化轉(zhuǎn)換處理.

圖6 系統(tǒng)總體流程圖

本文選取的對(duì)象詞包括:皮膚、傷口、肩、膝、腺、腹、頭、創(chuàng)面;選取描述詞:腫脹、痛、色、活動(dòng)和傷口等.組合后生成29個(gè)種子二元關(guān)系.根據(jù)這29個(gè)種子二元關(guān)系匹配病歷庫，共得到865個(gè)特例模式.經(jīng)過泛化歸并后得到110個(gè)泛化模式.然后在這些泛化模式的指導(dǎo)下，對(duì)30份病歷進(jìn)行了測(cè)試.實(shí)驗(yàn)數(shù)據(jù)如表4～表6所示.

表4 種子二元關(guān)系舉例

從上述實(shí)驗(yàn)數(shù)據(jù)可以看出，二元關(guān)系達(dá)到了較高的準(zhǔn)確率與召回率，主要是因?yàn)椴v信息相對(duì)來說句子結(jié)構(gòu)簡(jiǎn)單，沒有長(zhǎng)句子，且語法簡(jiǎn)單，而且對(duì)二元關(guān)系的抽取沒有經(jīng)過語義類泛化，模式比較準(zhǔn)確.對(duì)性質(zhì)語義類的抽取得到了較高的召回率.這主要是因?yàn)樾再|(zhì)的種類較少，易于抽取.但準(zhǔn)確率較低，這是由于部分的描述詞前面直接出現(xiàn)程度類詞，而沒有出現(xiàn)性質(zhì)類詞，導(dǎo)致識(shí)別錯(cuò)誤.

表5 泛化模式舉例

表6 模式抽取實(shí)驗(yàn)結(jié)果

對(duì)于主體修飾和程度語義類來說，準(zhǔn)確率很高，但召回率很低，主要是因?yàn)檫@2類詞匯出現(xiàn)的位置變化比較大，而且出現(xiàn)的種類也比較多，特別是語義類的引入易導(dǎo)致出現(xiàn)識(shí)別錯(cuò)誤.

4 結(jié)論

1)通過對(duì)電子病歷文本信息的描述特征的分析，提出了符合HL7標(biāo)準(zhǔn)的五元組抽取模式，并進(jìn)一步細(xì)分為二元關(guān)系和語義類2部分，為進(jìn)一步的模式自動(dòng)獲取提供了抽取對(duì)象和標(biāo)準(zhǔn)的形式化描述.

2)利用基于Bootstrapping算法的模式自動(dòng)學(xué)習(xí)技術(shù)，實(shí)現(xiàn)了診察信息抽取模式的自動(dòng)學(xué)習(xí)，并提出了基于模式的電子病歷關(guān)鍵信息抽取算法.

3)通過實(shí)際住院病歷作為測(cè)試數(shù)據(jù)的實(shí)驗(yàn)表明本文提出的方法可以有效地抽取二元關(guān)系模式，并對(duì)各種語義類也有較好的識(shí)別.

[1]FLETCHER M.President promotes switching to electronic medical records:Bush says paperless system would cut costs and improve care[N].Washington Post，2005-01-28(A07).

[2]HALAMKA J.Electronic health record and revolution of clinical information technology—current status and future impact[J]. Zhonghua Yixue Za Zhi，2005，85(22):1513－1515.

[3]金偉.電子病歷系統(tǒng)的存儲(chǔ)與交換的研究[D].上海:上海交通大學(xué)，2006.

[4]AGICHTEIN E，GRAVANO L.Snowball:Extracting relations from large plain-text collections[C]//Proceedings of the 5th ACM International Conference on Digital Libraries.New York，NY:ACM，2000:213－219.

[5]BRIN S.Extracting patterns and relations from the World Wide Web[C]//Proceedings WebDB ＇98 Selected papers from the International Workshop on The World Wide Web and Databases.London，UK:Springer-Verlag，1999:172－183.

[6]AGICHTEIN Y.Extracting relations from large text collections[C]//Doctoral Dissertation Extracting Relations from Large Text Collections.New York，NY:Columbia University，2005:157.

[7]MUSLEA I.Extraction patterns for information extraction task:A survey[C]//Procedings of AAAI-99 Workshop on Machine Learning for Information Extraction.Orlando，F(xiàn)lorida:AAAI Press，1999:1 －6.

[8]RILOFF E.Automatically generating extraction patterns from untagged text[C]//Proceedings of the Thirteenth National Conference on Artificial Intelligence.Portland，Oregon:AAAI Press，1996:1044 －1049.

[9]HUFFMAN S B.Learning information extraction patterns from examples[C]//Proceedings of Connectionist，Statistical，and Symbolic Approaches to Learning for Natural Language Processing.London，UK:Springer-Verlag，1996:246－260.

[10]周肖彬，曹存根.基于本體的醫(yī)學(xué)知識(shí)獲取[J].計(jì)算機(jī)科學(xué).2003，30(10):35－39.

[11]郭玉峰，劉保延，周雪忠.面向中醫(yī)臨床科研需求的術(shù)語分類框架研究[J].環(huán)球中醫(yī)藥，2008(2):9－12.