張明淘，韓 普,2

(1.南京郵電大學 管理學院，江蘇 南京 210003；2.江蘇省數(shù)據(jù)工程與知識服務重點實驗室，江蘇 南京 210023)

0 引 言

近年來，隨著人工智能在醫(yī)療領域中的推進，各類非結(jié)構(gòu)化文本的醫(yī)學信息抽取受到了人們的極大關注。醫(yī)療實體識別(medical entity recognition，MER)是信息抽取的重要環(huán)節(jié)，也是醫(yī)療人工智能的基礎任務。常規(guī)的實體識別主要研究對象是人名、地名、時間等概念，與之相比，醫(yī)療實體識別主要是針對疾病、癥狀、檢查等實體，這類實體構(gòu)詞復雜、書寫形式多樣，并且常有多種指稱，識別難度相對較大。醫(yī)療實體存在于各類非結(jié)構(gòu)化醫(yī)療文本中，如電子病歷、醫(yī)學文獻、醫(yī)療問答社區(qū)和社會化媒體。在這些數(shù)據(jù)源中，電子病歷是對患者各種病程記錄的文字表述，通常包括患者的人口統(tǒng)計信息、診斷、實驗室測試結(jié)果、藥物處方和臨床記錄[1]，由臨床醫(yī)生書寫，蘊含著臨床醫(yī)生的寶貴經(jīng)驗，質(zhì)量相對較高，通過數(shù)據(jù)分析后可用于臨床輔助決策診斷。在線醫(yī)療文本主要是指各類醫(yī)療健康問答社區(qū)和社會化媒體中的醫(yī)療內(nèi)容，常用于患者需求分析以及流行病監(jiān)控。醫(yī)學文獻是科研人員的醫(yī)學成果的總結(jié)，通常是用學術(shù)化的語言來呈現(xiàn)，反映了醫(yī)學領域的最新科學進展。在各類文本數(shù)據(jù)中，醫(yī)療實體均是承載醫(yī)學信息的最重要載體，同時也是醫(yī)療人工智能和進行醫(yī)學分析的基礎。隨著醫(yī)療人工智能和大數(shù)據(jù)技術(shù)的快速發(fā)展，面向各類醫(yī)療文本數(shù)據(jù)的醫(yī)療實體識別吸引了國內(nèi)外學者的極大關注，短短幾年涌現(xiàn)了大量研究成果。文中旨在系統(tǒng)了解醫(yī)療實體識別的國內(nèi)外研究進展，幫助領域?qū)W者準確把握該主題的研究態(tài)勢。

1 醫(yī)療實體的概念及分類

醫(yī)療實體是醫(yī)療文本中用來描述患者詳細病情、癥狀、用藥和治療情況等[2]的概念，如“糖尿病”、“心電圖”和“胰島素”都是典型的醫(yī)療實體。電子病歷是比較有代表性的醫(yī)療文本，主要記錄患者的就醫(yī)和接受治療的過程，包括入院記錄、病程記錄和出院小結(jié)。為了抽取電子病歷中的醫(yī)療實體，美國國家集成生物和臨床信息學研究中心(informatics for integrating biology and the bedside，I2B2)參照一體化醫(yī)學語言系統(tǒng)(unified medical language system，UMLS)，將醫(yī)療實體分為了醫(yī)療問題、檢查和治療三類[3]，醫(yī)療問題進一步被分為疾病和癥狀兩種實體。為了理解和回答與疾病相關的問題，Kilicoglu等[4]將醫(yī)療實體劃分為疾病、干預(藥物、程序)、解剖和群體四大類實體，并且為嵌套實體設計了更細粒度的標注方案，將實體分為診斷程序、藥物的補充、基因蛋白等十五類。

通常而言，醫(yī)療實體識別過程可以分為實體的邊界識別和實體類型的標注兩個階段。與英文相比，中文沒有天然的分隔符，實體邊界識別難度較大。國內(nèi)的學者通常借鑒UMLS對實體類型的定義，遵循實體間不重疊、不嵌套、實體內(nèi)不含有表示停頓的標點符號(比如逗號、句號、頓號等)三原則[5-6]，針對研究需要劃分醫(yī)療實體。

Lei等[7]基于中文臨床文本，將臨床實體分為問題、測試、過程和藥物四類。Hu等[8]在2017年全國知識圖譜與語義計算大會(CCKS)評測中將醫(yī)療實體劃分為身體、疾病、癥狀、測試和治療五大類別。在中文在線醫(yī)療文本識別研究中，蘇婭等[9]將醫(yī)療實體分為疾病、癥狀、藥品、治療方法和檢查五類醫(yī)療實體。可以發(fā)現(xiàn)，雖然國內(nèi)外醫(yī)療實體識別存在一些差別，但一般均包含疾病、癥狀、檢查和治療這些常見類別，這些分類是實體關系抽取等研究的基礎。

2 醫(yī)療實體識別會議評測

醫(yī)療實體識別評測極大地推動了醫(yī)療實體識別的發(fā)展，對提高醫(yī)療實體識別效果具有重要意義。相比而言，美國在英文醫(yī)療實體識別評測方面起步較早，對醫(yī)療實體識別研究影響最大。其中，I2B2是組織醫(yī)療實體評測次數(shù)較多，且影響力最為廣泛的醫(yī)療實體識別評測組織之一。2009年I2B2組織的評測任務是從出院小結(jié)中識別藥品的屬性信息，而2010年在以往任務的基礎上，增加了疾病、癥狀、檢查和治療醫(yī)療實體，并對這些實體及其關系進行識別[3]。2010年I2B2與鹽湖城衛(wèi)生保健局組織了電子病歷領域的信息抽取的評測(2010 I2B2/VA challenge)[10]，該評測主要有概念提取、斷言分類和關系分類三個任務。2014年I2B2/UTHealth組織的評測包含四項自然語言處理任務，其中第二項任務是在糖尿病患者縱向病歷敘述中識別與冠狀動脈疾病(CAD)相關的醫(yī)療風險因素[11]。縱觀整個評測歷程，I2B2通過比賽的形式逐步將醫(yī)療實體識別推向了新的高度，并為中文醫(yī)療實體識別的評測提供了值得借鑒的經(jīng)驗。除I2B2組織的比賽外，面向醫(yī)療領域的實體識別的公開評測還有ShARe/CLEF eHealth和SemEval等。2013年，ShARe/CLEF eHealth Evaluation實驗室組織了關于醫(yī)療實體識別的國際公開評測，并在之后的兩年內(nèi)將醫(yī)療實體識別任務引入國際語義評測(SemEval)。

受國外醫(yī)療實體識別評測的影響，國內(nèi)有關機構(gòu)也組織了針對中文醫(yī)療實體識別的會議評測，如近兩年影響力比較大的CCKS。CCKS 2017評測競賽中包含兩項任務，其中一項任務就是臨床命名實體識別，即從電子病歷中識別癥狀、疾病、檢查和身體四類實體[12]。CCKS 2018設立了4個相關主題評測任務，面向中文電子病歷的命名實體識別也包含在其中，它要求參賽者從給定的一組電子病歷純文本文檔中識別并抽取醫(yī)療實體，如癥狀、藥品、手術(shù)等。兩次CCKS會議均對中文醫(yī)療實體識別進行了重點關注，大大推進了中文醫(yī)療實體識別的進程。

3 醫(yī)療實體識別研究方法

3.1 基于詞典和規(guī)則的方法

基于詞典的方法是原理比較簡單但最有效的方法之一,基本思路是通過遍歷詞典進行字符串匹配而實現(xiàn)實體識別。早期的醫(yī)療實體識別多采用基于詞典的方法，代表性的有MedLEE[13]、MedKAT[14]和cTAKES[15]等系統(tǒng)。此外，部分學者采用此方法進行醫(yī)療實體識別，Hettne等[16]使用基于詞典的方法提取藥物名稱。Hu等[8]在進行臨床命名實體識別時，根據(jù)訓練集為每種實體構(gòu)建了若干字典。龍光宇等[17]利用網(wǎng)絡資源構(gòu)建了含有語義信息的醫(yī)學術(shù)語詞典，將基于詞典的方法與條件隨機場結(jié)合對疾病命名實體進行識別，得到F值為0.837 2。基于詞典的方法雖然在醫(yī)療實體識別準確率上取得了不錯的效果，但詞典本身的覆蓋面、更新速度都會影響實體識別的效果。常用的做法是將基于詞典的方法與機器學習的方法結(jié)合起來以提高實體識別的效果。

基于規(guī)則的方法主要通過分析各類實體的邊界特征、中心詞特征、詞性特征等規(guī)律來構(gòu)建規(guī)則庫進行醫(yī)療實體識別。規(guī)則庫的構(gòu)建主要是依靠人工，有研究者使用Bootstrapping自動生成規(guī)則[18],以解決人工方法的不足。Kraus等[19]通過構(gòu)建正則表達式，識別了大學醫(yī)療系統(tǒng)臨床記錄中的藥品、劑量等醫(yī)療實體。和基于詞典的方法類似，基于規(guī)則的方法往往也是與機器學習方法結(jié)合使用。如Jiang等[10]在2010年I2B2/VA競賽中開發(fā)了基于混合模型的臨床實體抽取系統(tǒng)，將基于啟發(fā)式規(guī)則的模塊與基于機器學習的實體識別模塊集成在一起。針對疾病單一醫(yī)療實體的識別系統(tǒng)，Wei等[20]在條件隨機場的模型加入了一個基于規(guī)則的后處理模塊。Hu等[8]在2017年CCKS臨床命名實體識別競賽中，通過醫(yī)療實體分析，構(gòu)建了大量規(guī)則，如：在“……有心臟病史……”中，根據(jù)“……有……病史……”模式，可以將“心臟病”提取作為“疾病”。

基于詞典和基于規(guī)則的方法雖然也是目前醫(yī)療實體識別任務中的常用方法，但此類方法對詞典和知識庫具有很強的依賴性，不夠靈活。因此，研究人員將注意力轉(zhuǎn)移到基于機器學習的方法上來，從而將基于詞典、規(guī)則的方法與機器學習的方法相結(jié)合以提升醫(yī)療實體識別效果。

3.2 基于機器學習的方法

機器學習的方法是通過從樣本數(shù)據(jù)集合中統(tǒng)計出相關的特征和參數(shù)，建立識別模型，通過模型進行實體識別的過程。機器學習分為有監(jiān)督的和無監(jiān)督的學習方法，有監(jiān)督的機器學習是從已有的數(shù)據(jù)集中訓練模型，當輸入新的數(shù)據(jù)時，可以根據(jù)模型預測結(jié)果；無監(jiān)督的機器學習中輸入的數(shù)據(jù)沒有被標記，樣本數(shù)據(jù)的類型也是未知的，直接對輸入數(shù)據(jù)進行建模分析。目前在醫(yī)療實體識別中主要是采用有監(jiān)督的機器學習方法，進一步可以劃分為選取合適的模型和方法、對模型和方法進行改進、選取合適的特征以及綜合的實體識別方法。

3.2.1 模型和方法的選取

識別實體邊界和實體類型是命名實體識別的兩個任務，因此實體識別可以看作是分類任務，進而可以采用貝葉斯模型、支持向量機(support vector machine，SVM)和最大熵(maximum entropy，ME)等分類方法。Wei等[20]在建立疾病命名實體識別和標準化系統(tǒng)時，將每個模型識別出的命名實體輸入支持向量機分類器，用于組合結(jié)果。Lei等[7]在進行中文臨床文本的命名實體識別時，采用了條件隨機場(CRF)、支持向量機(SVM)、最大熵(ME)和結(jié)構(gòu)支持向量機(SSVM)四種模型，而SSVM在四種模型中達到了最高性能，在入院記錄和出院小結(jié)中的實體識別F值達到了93.51%和90.01%。

從序列識別的角度，實體標簽序列集合構(gòu)成了非常大的標簽組合，因此還可以將實體識別看成序列標注問題，其基本思想是基于序列化標注的方法對多個詞同時標記，選擇聯(lián)合概率最大的標注序列[3]。通常，采用的序列標注模型有隱含馬爾可夫模型(hidden Markov model，HMM)、最大熵馬爾可夫模型(maximum entropy Markov model，MEMM)和條件隨機場(conditional random field，CRF)等模型。Ghiasvand[21]指出，實體識別系統(tǒng)最精準的方法是機器學習，用于序列標記的機器學習方法被廣泛用于檢測臨床概念。Jiang等[10]對比了基于機器學習的提取臨床實體的方法，結(jié)果表明條件隨機場優(yōu)于支持向量機?；贑RF算法，Liu等[22]在該方法中增加四種特征對中文電子病歷實體進行識別，其中F值最高達到了89.152%。從以上研究來看，序列標注模型取得了較好的效果，也是目前使用最為常見的研究方法。

3.2.2 模型和方法的改進

為進一步提高醫(yī)療實體識別的效果，領域?qū)W者對模型不斷進行改進，設計出更好的實體識別方法。如Jiang等[10]在2010年I2b2/VA競賽中，開發(fā)了一種新的混合臨床實體提取系統(tǒng)，將基于啟發(fā)式規(guī)則的模塊與基于機器學習的命名實體識別模塊集成在一起，使用477個注釋測試數(shù)據(jù)集來評估其性能，在概念提取和斷言分類的總F值最高分別為0.839 1和0.931 3。但常見的實體識別模型和方法大多是面向英文醫(yī)療文本提出的，并不直接適用于中文醫(yī)療文本[18]。中文自然語言處理在分詞等詞法分析上難于英文，因此，在進行中文醫(yī)療實體識別時，需要依據(jù)具體情況構(gòu)建新的模型或者改進原有模型。燕楊等[23]針對中文病歷命名實體識別，提出了基于層疊條件隨機場的新方法，實驗結(jié)果表明，該方法下的模型相比于無自定義組合特征的層疊CRF模型，F(xiàn)值提高了3%，相比于單層CRF模型，F(xiàn)值提高了7%。由此可見，對模型和方法的改進能夠提高實體識別的效果，這要求研究者要在實驗中不斷創(chuàng)新，將模型和方法改進得更加完善。

3.2.3 特征的選取

特征是影響實體識別性能的關鍵因素。除了改進模型和方法來提高實體識別效果，選取更好的特征亦是一種好的方法。Liu等[22]在CRF算法中添加字符特征、詞性特征、詞典特征和詞聚類特征，設計了不同特征模板進行實驗，應用詞性特征、詞典特征和詞聚類特征，識別效果達到了89.152%，比結(jié)合使用詞典特征和詞性特征高出0.32%。Chen等[12]在2017年CCKS臨床命名實體識別任務中，提取包括分詞、詞性、身體詞典訓練集等的特征，最后選取分詞特征和詞性特征作為有效的訓練特征，實體識別F1值達到了0.897 4?；跅l件隨機場(CRF)模型，蘇婭等[9]針對在線醫(yī)療文本中的實體識別選取了詞性特征、形態(tài)特征、后綴特征、身體部位指示特征和上下文特征，并指出中文不同于英文具有天然的分隔符，在進行中文醫(yī)療實體識別時還需要添加符號特征，隨著特征的逐一添加，總體F1值不斷上升，當采用所提全部特征時，總體精確度為81.26%，召回率為60.18%。對傳統(tǒng)的機器學習模型來說，特征的選取直接影響著模型的性能。因此，在未來的研究工作中，需要不斷豐富實體識別特征，選擇最適宜的特征，從而提高實體識別效果。

3.2.4 綜合的實體識別方法

在進行醫(yī)療實體識別時，除了改進機器學習模型和選擇更好的特征之外，將多種方法進行綜合也是提高實體識別效果的一種思路。一些學者提出了級聯(lián)方法，該方法綜合CRF、SVM和MEMM等多種模型，避免了單一模型的局限性[24]。Liang等[25]提出了一種新型cascade-type中藥實體識別方法，旨在將支持向量機(SVM)中的句子分類器與基于條件隨機場(CRF)的中藥實體識別相結(jié)合，該方法在中藥名稱識別的精確率為94.2%，召回率為92.8%，F(xiàn)值為93.5%，顯著高于單一方法。鄧本洋等[26]使用條件隨機場(CRF)、最大熵(ME)以及堆積策略綜合兩模型進行對照實驗，最終綜合模型的F值達到了91.1%，取得了最好效果。此外，JNLPBA競賽中的所有系統(tǒng)均使用了一種或多種機器學習算法，大大優(yōu)于單一系統(tǒng)[27]。從以上研究可以發(fā)現(xiàn)，綜合的實體識別方法通常表現(xiàn)出更好的優(yōu)勢和性能。

3.3 基于深度學習的醫(yī)療實體識別

深度學習是機器學習的一個重要的發(fā)展方向，2006年由Hinton等[28]提出。作為機器學習研究中的一個新領域，深度學習受到了國內(nèi)外學者的廣泛追捧。該方法通過學習將世界表示成嵌套的概念層次結(jié)構(gòu)，實現(xiàn)了強大的功能和靈活性。在醫(yī)療實體識別任務中，傳統(tǒng)的機器學習方法遵循兩個步驟：第一步是使用醫(yī)療領域的知識以數(shù)字向量表示文本，即特征工程；第二步是將每個單詞分類為不同的實體類[29]。基于傳統(tǒng)機器學習的模型依賴人工設置特征，而基于深度學習的模型則可以避開特征工程，具有一定的優(yōu)勢。當需要處理的數(shù)據(jù)規(guī)模很大時，深度學習方法將會明顯優(yōu)于傳統(tǒng)的機器學習。在深度學習中，較為典型的神經(jīng)網(wǎng)絡有遞歸神經(jīng)網(wǎng)絡(RNN)、卷積神經(jīng)網(wǎng)絡(CNN)、長短時記憶(LSTM)神經(jīng)網(wǎng)絡等。利用神經(jīng)網(wǎng)絡模型進行醫(yī)療實體識別，無需大量的人工特征，只需要詞向量和字符向量，適時添加高質(zhì)量的詞典特征可以提高識別效果。因此，基于深度神經(jīng)網(wǎng)絡模型的醫(yī)療實體識別引起了研究人員的極大關注。

遞歸神經(jīng)網(wǎng)絡(RNN)是一種前饋人工神經(jīng)網(wǎng)絡，它可以利用序列中每個位置的權(quán)值共享來模擬任意長度的序列[30]。Almgren等[30]提出一種基于字符的深度雙向遞歸神經(jīng)網(wǎng)絡的醫(yī)療數(shù)據(jù)命名實體識別方法，以端到端方式訓練，同時執(zhí)行邊界檢測和分類，實驗結(jié)果表明F1值比經(jīng)典模型提高了60%。Hu等[8]在2017年CCKS醫(yī)療命名實體識別競賽中，開發(fā)了一個基于規(guī)則、CRF和RNN方法的混合系統(tǒng)，該系統(tǒng)在“嚴格”和“寬松”的標準下，F(xiàn)1值分別為91.08%和94.26%。RNN隨著遞歸，會面臨權(quán)重指數(shù)級爆炸或消失的問題，會讓RNN模型難以訓練，這就引發(fā)了LSTM的發(fā)展。LSTM是RNN的代表性變體，是一種特殊的遞歸神經(jīng)網(wǎng)絡模型，克服了傳統(tǒng)RNN模型由于序列過長而產(chǎn)生的梯度彌散問題[31]。Liu等[32]指出LSTM在2010年I2B2醫(yī)學概念提取中獲得最高的微觀平均F1值，為85.81%，在2012年I2B2臨床事件檢測中F1值為92.29%,在2014年I2B2反鑒定中F1值為94.37%，與其他最先進的系統(tǒng)相比具有較強的競爭力。此外，CNN也是進行醫(yī)療實體識別的常用的神經(jīng)網(wǎng)絡模型。Zhao等[33]提出一種新型的基于多標簽卷積神經(jīng)網(wǎng)絡(MCNN)的疾病實體識別的方法，該方法使用了多重標簽策略(MLS)，而不是CRF層，實驗結(jié)果表明MCNN方法在NCBI語料上的F值為85.17%，在CDR語料上的F值為87.83%，均高于其他方法。

無論是傳統(tǒng)的機器學習模型，還是深度學習下的深度神經(jīng)網(wǎng)絡，將多種模型結(jié)合在一起，都是提高系統(tǒng)性能的好方法，也是一個具有重要意義的研究方向。Habibi等[34]采用了基于深度學習和統(tǒng)計詞嵌入的方法來提高生物醫(yī)學實體識別的效果，實驗結(jié)果表明F1值比經(jīng)典模型高出5%。Xu等[35]提出了一種基于雙向長短時記憶和條件隨機場(Bi-LSTM-CRF)的醫(yī)學命名實體識別模型，實驗證明該方法優(yōu)于傳統(tǒng)的單一模型。Wang等[36]提出了將癥狀成分劃分為11類的中文癥狀構(gòu)成模型，將實體識別任務看作是一個序列標注問題，使用雙向LSTM-CRF以及部分詞性特征和數(shù)據(jù)增強來解決這個問題，在癥狀和成分水平上的準確率分別為92.77%和94.34%，結(jié)果比基本模型高出20.72%和14.42%。李麗雙等[31]提出基于CNN-BLSTM-CRF的神經(jīng)網(wǎng)絡模型，不依賴任何人工特征，該模型在Biocreative Ⅱ GM和JNLPBA2004生物醫(yī)學語料上的F值分別為89.09%和74.40%。

然而，當醫(yī)療文本覆蓋實體復雜，實例不足和進行分詞時出現(xiàn)的錯誤等都會影響實體識別的準確率。例如，楊紅梅等[37]利用雙向LSTM網(wǎng)絡結(jié)合CRF訓練出的電子病歷命名實體識別模型，對測試數(shù)據(jù)集的評估表明，入院記錄中實體識別的F1值為0.853 5，出院小結(jié)中實體識別的F1值為0.726 5，總體F1值為0.805 2，入院記錄的研究結(jié)果較優(yōu)，而出院小結(jié)的識別率較低，主要是因為出院小結(jié)覆蓋實體復雜且分詞時出現(xiàn)了錯誤。因此，在進行醫(yī)療實體識別時，研究者需要認真謹慎地完成前期的準備工作，避免為后續(xù)工作帶來不必要的阻礙。

4 結(jié)束語

隨著互聯(lián)網(wǎng)信息技術(shù)的發(fā)展，醫(yī)療實體識別成為了醫(yī)療大數(shù)據(jù)的重要研究領域。醫(yī)療實體識別雖然是實體識別的一個分支，但是它的重要性和發(fā)展前景不容小覷。醫(yī)療實體識別取得了豐碩的研究成果，這為開辟新的研究方向奠定了良好的基礎。盡管如此，作為一個剛剛開始興起的研究領域，醫(yī)療實體識別仍然面臨著一些問題和挑戰(zhàn)，需要重點關注以下幾個方面的問題。

(1)大力推進半監(jiān)督學習的醫(yī)療實體識別研究。

醫(yī)療實體標注是一項非常耗時耗力的工作，不僅需要具有實體標注能力的研究者，還需要具有醫(yī)學背景的人員參與。半監(jiān)督學習是一種結(jié)合監(jiān)督學習和無監(jiān)督學習的學習方法，有效利用未標記的數(shù)據(jù)，將領域知識整合到實體識別的模型中，以此提高模型的效果。這種方法減少了傳統(tǒng)機器學習對大量標注數(shù)據(jù)的需求，降低了人工成本。因此，半監(jiān)督學習，甚至是無監(jiān)督學習，都將是未來醫(yī)療實體識別研究的重要發(fā)展方向。

(2)積極推動國內(nèi)醫(yī)療數(shù)據(jù)公開。

相較于國外，國內(nèi)醫(yī)療實體識別并沒有公開語料和詞典資源。中文醫(yī)療實體識別的研究起步較晚，而且缺乏公開的標注語料庫，這些因素一定程度上阻礙了中文醫(yī)療實體的進一步發(fā)展，因此，推動國內(nèi)醫(yī)療文本語料庫公開，有助于使醫(yī)療實體結(jié)構(gòu)化和標準化，進一步加快中文醫(yī)療實體識別和醫(yī)療信息分析的發(fā)展。

(3)進一步挖掘?qū)嶓w語義特征來提升醫(yī)療實體識別效果。

和傳統(tǒng)的機器學習方法相比，深度學習模型可以利用更多的外部語義特征。隨著深度學習和大數(shù)據(jù)技術(shù)的發(fā)展，利用更多高質(zhì)量醫(yī)療文本數(shù)據(jù)來生成實體語義特征以提升醫(yī)療實體識別效果將會是今后的一個重要發(fā)展方向。