聶卉　吳曉燕

關(guān)鍵詞： 在線醫(yī)療咨詢文本； 抑郁癥； 語(yǔ)義建模； 短語(yǔ)識(shí)別

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０９．００６

〔中圖分類號(hào)〕Ｇ２０２； ＴＰ３９１ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１ （２０２３） ０９－００６３－１１

據(jù)世界衛(wèi)生組織報(bào)告， 抑郁癥已成為全球巨大的疾病負(fù)擔(dān)， 約３ ８％的世界人口患有不同程度的抑郁癥［１］ 。要降低疾病危害， 患者盡早接受醫(yī)療救助至關(guān)重要?！熬€上問(wèn)診” 打破了傳統(tǒng)就醫(yī)模式的時(shí)空束縛， 調(diào)查顯示抑郁癥病患對(duì)線上問(wèn)診的接受度高達(dá)９２ ２４％［２］ 。在線問(wèn)診記錄是患者與醫(yī)生的交流文本， 求診者對(duì)病程、感受、狀態(tài)、情緒的陳述［３］ 反饋出其罹患疾病的性質(zhì)、嚴(yán)重度及對(duì)健康的影響， 是疾病診斷的重要依據(jù)［４］ 。在真實(shí)的醫(yī)療場(chǎng)景中， 相較其他疾病， 抑郁癥診斷也主要依托量表及患者與醫(yī)生的交流記錄， 因此， 大規(guī)模在線問(wèn)診記錄為抑郁癥研究提供了充分的數(shù)據(jù)支持。

現(xiàn)有基于互聯(lián)網(wǎng)的抑郁癥研究， 主要是通過(guò)分析用戶生成內(nèi)容來(lái)預(yù)測(cè)抑郁風(fēng)險(xiǎn)， 首要任務(wù)是識(shí)別抑郁癥狀。早期研究采用詞典法， 但靜態(tài)詞典不能全面覆蓋患者病況， 預(yù)測(cè)精準(zhǔn)度低； 而隨后提出的有監(jiān)督機(jī)器學(xué)習(xí)則需付出人工標(biāo)注成本。因此， 設(shè)計(jì)一個(gè)無(wú)需標(biāo)注， 也能高效地從患者問(wèn)診記錄中識(shí)別抑郁病癥的方案成為本研究要點(diǎn)。

深度學(xué)習(xí)建模技術(shù)在自然語(yǔ)言處理方面性能卓越?；诖笠?guī)模的抑郁癥在線咨詢文本語(yǔ)料， 本研究引入深度學(xué)習(xí)建模技術(shù)， 采用無(wú)監(jiān)督機(jī)器學(xué)習(xí)策略構(gòu)建癥狀識(shí)別模型， 并通過(guò)抑郁癥典型特征分析、抑郁癥風(fēng)險(xiǎn)預(yù)測(cè)兩個(gè)實(shí)際應(yīng)用檢驗(yàn)癥狀識(shí)別模型的實(shí)效。本研究工作旨為輔助醫(yī)生診斷、提高醫(yī)療平臺(tái)問(wèn)診服務(wù)效率、增強(qiáng)抑郁癥篩查和防控能力提供技術(shù)參考。

１文獻(xiàn)綜述

１.１醫(yī)學(xué)術(shù)語(yǔ)與疾病癥狀的識(shí)別研究

與疾病有關(guān)的醫(yī)學(xué)術(shù)語(yǔ)的識(shí)別與表示是醫(yī)學(xué)自然語(yǔ)言處理領(lǐng)域的經(jīng)典問(wèn)題［５］ 。早期研究主要采用詞典和規(guī)則匹配法， 如Ｍａｔｈｅｎｙ Ｍ Ｅ 等［６］ 基于關(guān)鍵字和本體規(guī)則， 從臨床記錄中自動(dòng)抽取傳染性疾病的癥狀。Ｂｙｒｄ Ｒ Ｊ 等［７］ 借助詞典與語(yǔ)法分析， 從病人記錄中提取心力衰竭的描述?；谠~典和規(guī)則的方法完全依靠醫(yī)學(xué)領(lǐng)域詞典和專家， 實(shí)際應(yīng)用中普適性較差［８］ 。隨后， 學(xué)者們提出了有監(jiān)督機(jī)器學(xué)習(xí)方案， 因?yàn)橛袑W(xué)習(xí)過(guò)程， 有監(jiān)督學(xué)習(xí)擺脫了外部資源的制約， 可應(yīng)用于不同場(chǎng)景。用有監(jiān)督機(jī)器學(xué)習(xí)抽取醫(yī)學(xué)術(shù)語(yǔ)的３ 個(gè)主流算法是支持向量機(jī)（ＳＶＭ）、隱馬爾可夫模型（ＨＭＭ） 和條件隨機(jī)場(chǎng)（ＣＲＦ），ＣＲＦ 應(yīng)用最廣［９］ 。葉楓等［１０］ 以語(yǔ)言符號(hào)、詞性、構(gòu)詞模式、詞邊界、上下文為特征， 采用ＣＲＦ 識(shí)別電子病歷中包括癥狀在內(nèi)的醫(yī)學(xué)命名實(shí)體。Ｆｏｒｓｙｔｈ ＡＷ 等［１１］ 用ＣＲＦ 從乳腺癌患者的診療記錄中提取疾病癥狀并判斷性質(zhì)。相較詞典匹配， 有監(jiān)督機(jī)器學(xué)習(xí)方案顯著提升了術(shù)語(yǔ)識(shí)別的查全率， 整體表現(xiàn)更優(yōu)。但有監(jiān)督機(jī)器學(xué)習(xí)算法的表現(xiàn)很大程度上取決于特征工程， 存在不穩(wěn)定性。

近年， 深度學(xué)習(xí)為醫(yī)學(xué)領(lǐng)域的自然語(yǔ)言處理任務(wù)提供了富有潛力的方案。深度學(xué)習(xí)框架不考慮特征工程， 以分布式向量表示醫(yī)學(xué)文本， 并應(yīng)用于疾病診斷。如Ｇｕｏ Ｄ 等［１２］ 先利用ＭｅｔａＭａｐ 從病案記錄中抽取癥狀， 然后用詞向量表示癥狀， 再運(yùn)用深度學(xué)習(xí)框架（Ｂｉ－ＬＳＴＭ）預(yù)測(cè)疾病發(fā)生風(fēng)險(xiǎn)。Ｌｕｏ Ｘ等［１３］ 同樣先用ＭｅｔａＭａｐ 提取病案中有關(guān)體征和生理的醫(yī)學(xué)術(shù)語(yǔ)， 再整合用藥等信息， 構(gòu)建咳嗽診斷模型， 該研究對(duì)比了多種機(jī)器學(xué)習(xí)方案， 基于ＢＥＲＴ 預(yù)訓(xùn)練模型的診斷模型表現(xiàn)最佳。

１.２抑郁癥狀的提取與應(yīng)用研究

作為面向特定疾病的醫(yī)學(xué)癥狀識(shí)別研究， 抑郁癥癥狀識(shí)別遵循同樣的技術(shù)路線。Ｋａｒｍｅｎ Ｃ 等［１４］ 根據(jù)抑郁癥量表獲取癥狀術(shù)語(yǔ)種子， 然后利用詞典拓展同義詞， 生成癥狀詞典。Ｃａｖａｚｏｓ－Ｒｅｈｇ Ｐ Ａ 等［１５］直接依據(jù)《精神障礙診斷與統(tǒng)計(jì)手冊(cè)》（ＤＳＭ－５），對(duì)Ｔｗｉｔｔｅｒ 推文中的抑郁癥狀進(jìn)行手動(dòng)編碼， 然后統(tǒng)計(jì)出與重度抑郁癥相關(guān)的癥狀描述。Ｗｕ Ｃ 等［１６］利用電子健康記錄檢測(cè)重度抑郁癥的典型癥狀， 癥狀識(shí)別采用了ＣＲＦ。深度學(xué)習(xí)技術(shù)則越來(lái)越多地在最新的研究文獻(xiàn)中出現(xiàn)， Ｕｄｄｉｎ Ｍ Ｚ 等［１７］ 通過(guò)公共信息網(wǎng)獲取用戶生成內(nèi)容， 根據(jù)醫(yī)生列出的抑郁癥狀為用戶建模， 再運(yùn)用深度學(xué)習(xí)框架ＲＮＮ 預(yù)測(cè)用戶的抑郁癥傾向。Ｙａｏ Ｘ 等［１８］ 運(yùn)用深度學(xué)習(xí)框架Ａｔｔ－ＢｉＬＳＴＭ 構(gòu)建文本分類器， 對(duì)抑郁癥社區(qū)中用戶提及的抑郁癥狀進(jìn)行分類整理， 再通過(guò)網(wǎng)絡(luò)分析挖掘癥狀間的關(guān)聯(lián)。

包括深度學(xué)習(xí)， 應(yīng)用有監(jiān)督機(jī)器學(xué)習(xí)算法， 移植性和標(biāo)注成本是兩個(gè)不可回避的問(wèn)題。面對(duì)大規(guī)模語(yǔ)料， 有學(xué)者嘗試了無(wú)監(jiān)督機(jī)器學(xué)習(xí)策略， Ｍａ Ｌ等［１９］ 使用詞向量表示癥狀， 用聚類技術(shù)抽取抑郁癥狀。Ｕｓｍａｎ Ａ 等［２０］ 首先構(gòu)建基于詞向量的情感詞典， 再運(yùn)用深度聚類算法分析患者發(fā)布文本， 以可視化方式呈現(xiàn)患者文本中的情緒?？梢?， 用無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法識(shí)別疾病癥狀同樣可行［２１］ 。相關(guān)研究發(fā)現(xiàn)對(duì)于患者個(gè)性化的陳述， 癥狀表達(dá)存在句法和語(yǔ)義上的變異性［４］ ， 常無(wú)法直接對(duì)應(yīng)單一詞項(xiàng)，短語(yǔ)的長(zhǎng)度靈活， 表達(dá)語(yǔ)義豐富， 顯然更適于描述疾病癥狀。

綜上， 無(wú)監(jiān)督機(jī)器學(xué)習(xí)的普適性為在大規(guī)模語(yǔ)料集上快速檢測(cè)抑郁癥風(fēng)險(xiǎn)提供了新的技術(shù)選擇，短語(yǔ)形式的癥狀描述則能更準(zhǔn)確地表達(dá)語(yǔ)義， 因此， 采用無(wú)監(jiān)督機(jī)器學(xué)習(xí)策略， 基于語(yǔ)義建模， 實(shí)現(xiàn)短語(yǔ)級(jí)抑郁癥狀的自動(dòng)識(shí)別值得探究。

２研究設(shè)計(jì)

數(shù)據(jù)層面， 基于求診者的問(wèn)診記錄建立語(yǔ)料庫(kù)，是本研究的首要任務(wù)。問(wèn)診記錄中的“疾病描述”部分包含大量抑郁癥狀描述， 本研究從中提取這些癥狀描述， 用于構(gòu)建患者模型， 并用于抑郁癥典型癥狀分析和抑郁癥風(fēng)險(xiǎn)預(yù)測(cè)兩個(gè)任務(wù)。在原始語(yǔ)料中， 沒(méi)有字段明確標(biāo)識(shí)病況（是否是確診患者以及抑郁的程度）， 病況從問(wèn)診記錄中獲取， 并據(jù)此生成研究語(yǔ)料集。方法層面， 識(shí)別癥狀短語(yǔ)是研究重點(diǎn)， 主要涉及短語(yǔ)抽取與語(yǔ)義建模兩個(gè)任務(wù)。對(duì)此， 本研究采用無(wú)監(jiān)督機(jī)器學(xué)習(xí)策略并引入深度學(xué)習(xí)模型表示癥狀。應(yīng)用層面， 在抑郁癥典型癥狀分析和抑郁癥風(fēng)險(xiǎn)預(yù)測(cè)兩個(gè)具體任務(wù)上檢測(cè)癥狀識(shí)別算法的實(shí)效。依據(jù)上述設(shè)計(jì)， 將整個(gè)研究分為三部分， 如圖１ 所示： 語(yǔ)料庫(kù)構(gòu)建， 抑郁癥狀短語(yǔ)自動(dòng)識(shí)別及應(yīng)用， 核心是癥狀短語(yǔ)的識(shí)別算法。

３研究方法

研究采用無(wú)監(jiān)督機(jī)器學(xué)習(xí)方案實(shí)現(xiàn)抑郁癥狀短語(yǔ)的自動(dòng)識(shí)別。算法基本思想是， 基于抑郁癥量表先構(gòu)建癥狀種子詞庫(kù)， 再?gòu)摹凹膊∶枋觥?文本提取有關(guān)癥狀的敘述（短語(yǔ)形式）作為癥狀候選項(xiàng)， 計(jì)算候選項(xiàng)與種子間的語(yǔ)義相似度， 據(jù)此判定候選短語(yǔ)是否為抑郁癥癥狀， 并明確癥狀的類別。算法核心是如何對(duì)短語(yǔ)進(jìn)行恰當(dāng)?shù)恼Z(yǔ)義表示， 本研究選擇了Ｗｏｒｄ２Ｖｅｃ、Ｄｏｃ２Ｖｅｃ 和Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ ３ 種語(yǔ)言模型， 通過(guò)數(shù)據(jù)實(shí)驗(yàn)從中選出最佳。整個(gè)算法包括抑郁癥癥狀種子庫(kù)構(gòu)建、候選癥狀短語(yǔ)提取、癥狀識(shí)別３ 個(gè)部分。

３.１抑郁癥癥狀種子庫(kù)構(gòu)建

抑郁癥癥狀種子是一組描述抑郁典型癥狀的詞項(xiàng)或短語(yǔ)， 是診斷患者抑郁的重要依據(jù)。臨床檢測(cè)中， 患者需要填寫抑郁測(cè)試量表， 醫(yī)生據(jù)此了解其感知、認(rèn)知、生理、行為等方面的狀態(tài)， 量表題項(xiàng)中有針對(duì)癥狀的規(guī)范表達(dá)。例如， 貝克抑郁量表ＢＤＩ－Ⅱ量表的題項(xiàng)“我比之前睡眠過(guò)少” 中“睡眠過(guò)少” 就是抑郁癥“睡眠障礙” 的典型癥狀。

研究首先依據(jù)國(guó)際疾病分類ＩＣＤ－１０（Ｉｎｔｅｒｎａ?ｔｉｏｎａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｄｉｓｅａｓｅｓ， ＩＣＤ）體系標(biāo)準(zhǔn)診斷中的癥狀類別建立抑郁癥癥狀分類體系， 再按分類體系從量表題項(xiàng)中梳理出表述癥狀的代表性短語(yǔ)或詞項(xiàng)， 即癥狀種子。研究共梳理了１０ 個(gè)臨床心理學(xué)常用量表， 包括貝克抑郁量表Ⅱ（ＢＤＩ－Ⅱ）、抑郁癥ＤＳＭ－ＩＶ 的診斷標(biāo)準(zhǔn)、抑郁癥診斷標(biāo)準(zhǔn)ＩＣＤ－１０、流行病學(xué)研究中心抑郁量表（ＣＥＳ－Ｄ）、老年抑郁量表（ＧＤＳ）、漢密爾頓抑郁量表（ＨＡＭ－Ｄ）、蒙哥馬利－阿斯伯格抑郁量表（ＭＡＤＲＳ）、Ｚｕｎｇ 抑郁自評(píng)量表（ＳＤＳ）、ＤＳＭ－５ 對(duì)抑郁癥的診斷標(biāo)準(zhǔn)、ＰＨＱ－９ 抑郁癥篩查量表。將從量表中提取的癥狀種子映射到癥狀分類體系中， 形成癥狀種子庫(kù)。如表１ 所示， 癥狀種子庫(kù)含有８６ 個(gè)種子詞， 對(duì)應(yīng)１０類抑郁癥典型癥狀。

３.２候選癥狀短語(yǔ)提取

候選短語(yǔ)提取在開源漢語(yǔ)語(yǔ)言平臺(tái)ＨａｎＬＰ（ｈｔ?ｔｐｓ：／ ／ ｗｗｗ．ｈａｎｌｐ．ｃｏｍ／ ）［２２］ 上實(shí)現(xiàn)。該平臺(tái)在中文自然語(yǔ)言處理領(lǐng)域有廣泛應(yīng)用， 提供分詞、詞性標(biāo)注、命名實(shí)體識(shí)別、短語(yǔ)識(shí)別等基本語(yǔ)言處理功能， 其中， 短語(yǔ)識(shí)別基于互信息與信息熵實(shí)現(xiàn)。研究利用該平臺(tái)從“疾病描述” 文本中抽取短語(yǔ)， 并對(duì)組成短語(yǔ)的詞項(xiàng)進(jìn)行詞性標(biāo)注， 將含有動(dòng)詞（包括動(dòng)詞ｖ、動(dòng)詞性慣用語(yǔ)ｖｌ 和不及物動(dòng)詞ｖｉ）、名詞（包括名詞ｎ、名動(dòng)詞ｖｎ、專有名詞ｎｚ）和形容詞（包括形容詞ａ 和名形詞ａｎ）的短語(yǔ)作為候選癥狀短語(yǔ)， 短語(yǔ)抽取效果如表２ 所示?？梢钥闯?， 候選短語(yǔ)中有大量與抑郁癥癥狀有關(guān)的敘述， 后續(xù)識(shí)別任務(wù)即通過(guò)語(yǔ)義計(jì)算確立候選短語(yǔ)與抑郁癥典型癥狀間的關(guān)系。

３.３癥狀識(shí)別

要確立候選短語(yǔ)與抑郁癥典型癥狀的語(yǔ)義關(guān)聯(lián)，語(yǔ)義模型的選擇是關(guān)鍵。研究選用了Ｗｏｒｄ２Ｖｅｃ、Ｄｏｃ２Ｖｅｃ 和Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ ３ 個(gè)語(yǔ)義模型對(duì)抑郁癥癥狀短語(yǔ)向量化。Ｗｏｒｄ２Ｖｅｃ 是經(jīng)典的詞向量模型，成功運(yùn)用在各種自然語(yǔ)言分析任務(wù)中， 完成了從詞袋到詞向量語(yǔ)義特征表示的跨越［２３］ 。Ｄｏｃ２Ｖｅｃ［２４］ 是Ｗｏｒｄ２Ｖｅｃ 的文檔級(jí)模型?？紤]到本研究中， 抑郁癥癥狀采用短語(yǔ)表達(dá)， Ｄｏｃ２Ｖｅｃ 模型可能更合理。

ＢＥＲＴ 是目前自然語(yǔ)言處理領(lǐng)域最流行的語(yǔ)言模型， 它通過(guò)在大規(guī)模語(yǔ)料上采用ＮＳＰ（Ｎｅｘｔ Ｓｅｎ?ｔｅｎｃｅ Ｐｒｅｄｉｃｔｉｏｎ）機(jī)制和掩碼語(yǔ)言模型（Ｍａｓｋｅｄ Ｌａｎ?ｇｕａｇｅ Ｍｏｄｅｌ， ＭＬＭ）做預(yù)訓(xùn)練任務(wù)， 能夠使模型學(xué)到豐富的語(yǔ)義知識(shí)， 具備理解文本深層語(yǔ)義的能力［２５］ 。盡管如此， 在句子對(duì)回歸等任務(wù)（如文本相似度計(jì)算， 語(yǔ)義聚類）上， 原生ＢＥＲＴ 需將句子拼接后輸入模型， 再通過(guò)帶有自注意機(jī)制Ｓｅｌｆ－ａｔｔｅｎ?ｔｉｏｎ 的ｔｒａｎｓｆｏｒｍｅｒ 網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)， 這導(dǎo)致巨大的計(jì)算開銷， 在語(yǔ)義相似度搜索等任務(wù)上的表現(xiàn)并不理想。為此， Ｒｅｉｍｅｒｓ Ｎ 等［２６］ 對(duì)ＢＥＲＴ 結(jié)構(gòu)進(jìn)行修改，他們使用孿生網(wǎng)絡(luò)或３ 胞胎網(wǎng)絡(luò)（Ｓｉａｍｅｓｅ ａｎｄ Ｔｒｉｐ?ｌｅｔ Ｎｅｔｗｏｒｋ）生成維度固定的語(yǔ)句向量， 語(yǔ)義相近的語(yǔ)句， 語(yǔ)句向量的空間距離接近， 通過(guò)余弦相似度、歐式距離計(jì)算能夠快速找到語(yǔ)義相近的語(yǔ)句，這就是Ｓｅｎｔｅｎｃｅ － ＢＥＲＴ 的構(gòu)建原理。相較原生ＢＥＲＴ， Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ 在不影響準(zhǔn)確性的同時(shí)，能夠大幅提升計(jì)算效率（計(jì)算余弦相似度大概為０.０１ 秒）， 特別適用于文本相似度計(jì)算、文本聚類等無(wú)監(jiān)督機(jī)器學(xué)習(xí)任務(wù)［２７］ 。

Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ 的結(jié)構(gòu)如圖２ 所示。兩個(gè)語(yǔ)句Ｓｅｎｔｅｎｃｅ Ａ 和Ｓｅｎｔｅｎｃｅ Ｂ 通過(guò)共享參數(shù)的ＢＥＲＴ 模型生成它們的字向量（Ｔｏｋｅｎ Ｅｍｂｅｄｄｉｎｇ）， 再傳入池化層（Ｐｏｏｌｉｎｇ）進(jìn)行平均池化操作， 得到固定維度的句向量ｕ 和ｖ。然后計(jì)算ｕ 和ｖ 的余弦相似度Ｃｏｓ－ｓｉｍｉｌａｒｉｔｙ（ｕ，ｖ）， 并輸出。微調(diào)過(guò)程中均方誤差（Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ， ＭＳＥ）為損失函數(shù)。在Ｒｅｉ?ｍｅｒｓ Ｎ 等［２６］ 的實(shí)驗(yàn)中， 文本語(yǔ)義相似度計(jì)算的評(píng)測(cè)語(yǔ)料是語(yǔ)義文本相似計(jì)算（Ｓｅｍａｎｔｉｃ Ｔｅｘｔｕａｌ Ｓｉｍｉ?ｌａｒｉｔｙ， ＳＴＳ）任務(wù)的數(shù)據(jù)， 這些數(shù)據(jù)是成對(duì)帶類標(biāo)的語(yǔ)句， 類標(biāo)標(biāo)識(shí)了語(yǔ)句間的關(guān)系， 取值范圍為０～５。評(píng)測(cè)實(shí)驗(yàn)直接用訓(xùn)練好的模型計(jì)算語(yǔ)句對(duì)的相似度， 然后通過(guò)皮爾曼等級(jí)相關(guān)系數(shù)評(píng)測(cè)模型優(yōu)劣， 結(jié)果顯示， 相較原生ＢＥＲＴ， Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ表現(xiàn)最佳。

本研究要計(jì)算種子詞與候選癥狀短語(yǔ)之間的語(yǔ)義相似度， 分別采用了Ｗｏｒｄ２Ｖｅｃ、Ｄｏｃ２Ｖｅｃ 和Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ ３ 個(gè)模型對(duì)候選癥狀短語(yǔ)和種子詞向量化， 再計(jì)算候選癥狀短語(yǔ)與每類種子詞的語(yǔ)義相似度， 見式（１）。其中， ｔ 為候選癥狀短語(yǔ)向量， Ｃ_ｉ 對(duì)應(yīng)癥狀類ｉ， 為候選癥狀短語(yǔ)ｔ 與種子詞ｓ的余弦相似度。依據(jù)式（１） 分別計(jì)算候選詞ｔ 與每個(gè)癥狀類Ｃ_ｉ（ｉ ＝１，２，…，１０）的相似度， 若相似度的最大值滿足閾值設(shè)定， 指定相似度最大的類Ｃ_Ｍａｘ為候選癥狀ｔ 的類別。

４實(shí)驗(yàn)與結(jié)果

４.１語(yǔ)料庫(kù)構(gòu)建

４.１.１數(shù)據(jù)源與數(shù)據(jù)采集

“好大夫在線” （ｈｔｔｐｓ：／／ｗｗｗ．ｈａｏｄｆ．ｃｏｍ／ ）是國(guó)內(nèi)領(lǐng)先的在線醫(yī)療平臺(tái)。據(jù)最新統(tǒng)計(jì)， 該平臺(tái)收錄了國(guó)內(nèi)１ 萬(wàn)多家正規(guī)醫(yī)院的８９ 萬(wàn)名醫(yī)生的信息，累計(jì)服務(wù)量超過(guò)７ ９００萬(wàn)人次［２８］ 。問(wèn)診記錄規(guī)模在國(guó)內(nèi)在線醫(yī)療平臺(tái)中名列前茅?；谠撈脚_(tái)的數(shù)據(jù)質(zhì)量及在醫(yī)療服務(wù)領(lǐng)域的權(quán)威性， 本研究將其作為數(shù)據(jù)源， 采集了“好大夫在線” 近３ 年問(wèn)診記錄百萬(wàn)余條， 其中３６１ ６４７條記錄來(lái)自精神科、心理咨詢科和神經(jīng)內(nèi)科， 從中篩選出抑郁癥醫(yī)療咨詢記錄７１ ６５４條。每條記錄包含疾病描述、疾病名、患者性別、年齡、病程等字段。其中， “疾病描述”為文本型字段， 是患者面對(duì)醫(yī)生針對(duì)個(gè)人病情的詳細(xì)陳述， 為患者問(wèn)診的主要內(nèi)容。本研究選擇該字段內(nèi)容提取患者的病征、情緒、心理狀態(tài)和行為，數(shù)據(jù)采集樣例如圖３所示。

４.１.２ 抑郁癥預(yù)測(cè)評(píng)測(cè)語(yǔ)料

抑郁癥預(yù)測(cè)評(píng)測(cè)語(yǔ)料用于檢驗(yàn)抑郁癥人群的自動(dòng)識(shí)別效果。研究采用關(guān)鍵詞匹配策略從問(wèn)診記錄中提取確診信息， 并對(duì)語(yǔ)料做標(biāo)注。具體步驟如下：

首先對(duì)“疾病描述” 的內(nèi)容進(jìn)行分詞， 剔除單個(gè)字詞語(yǔ)、數(shù)字、標(biāo)點(diǎn)符號(hào)及過(guò)短（文本長(zhǎng)度＜１８）記錄， 獲得抑郁癥問(wèn)診記錄７０ ７０５條。算法遍歷每條記錄內(nèi)容， 依據(jù)匹配規(guī)則， 提取確診信息。例如： “…今天去了北京安定醫(yī)院診療。做了心理評(píng)估， 結(jié)果為輕度抑郁?！?， 由此斷定問(wèn)診者患“輕度” 抑郁癥， 將其問(wèn)診記錄標(biāo)注為“輕度”。完成初始標(biāo)注后， 進(jìn)行抽樣檢查， 發(fā)現(xiàn)部分確診情況只是患者推測(cè)， 如“感覺有輕／ 中／ 重度抑郁”，故設(shè)定“非確診” 規(guī)則對(duì)初標(biāo)注語(yǔ)料進(jìn)行二次梳理與核查， 最終獲得帶抑郁癥程度標(biāo)記的語(yǔ)料８３９１條， 其中， 重度抑郁３０９０條， 中度抑郁３０１６條， 輕度抑郁問(wèn)診記錄２ ２８５條。另外， 從非精神類疾病的問(wèn)診記錄中隨機(jī)抽取２ ７９７條， 歸為“非抑郁”， “非抑郁” 疾病涵蓋多種疾病， 這些疾病在生理層面與抑郁癥可能存在類似癥狀， 如“頭痛”“乏力”， 但精神情志層面與抑郁癥應(yīng)有顯著差異。將這類問(wèn)診記錄與抑郁癥問(wèn)診記錄進(jìn)行整合， 分成“輕度、中度、重度、非抑郁” ４ 組， 共計(jì)１１１８８條， 語(yǔ)料命名為ＤＡＴＡＳＥＴ１。

４.１.３抑郁癥癥狀識(shí)別評(píng)測(cè)語(yǔ)料

研究采用Ｗｏｒｄ２Ｖｅｃ、Ｄｏｃ２Ｖｅｃ 和Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ３ 個(gè)語(yǔ)義模型表示癥狀短語(yǔ)， 抑郁癥癥狀識(shí)別語(yǔ)料用于評(píng)測(cè)３ 個(gè)模型的性能表現(xiàn)。語(yǔ)料標(biāo)注采用人工方式， 從抑郁癥患者的７０ ７０５條問(wèn)診記錄中隨機(jī)抽?。福埃?條， 對(duì)照抑郁癥癥狀分類體系， 如表２ 所示， 對(duì)“疾病描述” 文本中提及的候選癥狀短語(yǔ)進(jìn)行人工歸類， 示例如表３ 所示。形成一個(gè)小規(guī)模的評(píng)測(cè)語(yǔ)料集ＤＡＴＡＳＥＴ２。

４.２抑郁癥癥狀識(shí)別模型

采用４.１.３ 的癥狀短語(yǔ)識(shí)別方法， 在ＤＡＴＡ?ＳＥＴ２ 上進(jìn)行實(shí)驗(yàn)。Ｗｏｒｄ２Ｖｅｃ 和Ｄｏｃ２Ｖｅｃ 基于３６１ ６４７條來(lái)自精神科、心理咨詢科、神經(jīng)內(nèi)科的問(wèn)診記錄構(gòu)建。３ 個(gè)語(yǔ)言模型的參數(shù)設(shè)置如表４ 所示。另外， 依據(jù)算法， 在確定候選短語(yǔ)ｔ 的癥狀類別Ｃ 時(shí)， 要求ｔ 與Ｃ 的相似度超過(guò)閾值ε。研究將ε 作為參數(shù)， 通過(guò)實(shí)驗(yàn)確定， 如圖４（ａ）、圖４（ｂ）所示。

評(píng)測(cè)指標(biāo)是識(shí)別１０ 類癥狀短語(yǔ)的準(zhǔn)確率、召回率和Ｆ１ 值的微平均值。如圖４（ａ）所示， 模型Ｗｏｒｄ２Ｖｅｃ 和Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ 的表現(xiàn)優(yōu)于Ｄｏｃ２Ｖｅｃ。當(dāng)ε∈［０.５，０. ６］時(shí)， Ｗｏｒｄ２Ｖｅｃ 和Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ的Ｆ１ 值接近， 分值最高。細(xì)分ε 的實(shí)驗(yàn)結(jié)果見圖４（ｂ）。整體觀察， 當(dāng)ε ＝０.５１ 時(shí)， Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ的表現(xiàn)最好， Ｆ１ 值為７０.２７％， 略優(yōu)于Ｗｏｒｄ２Ｖｅｃ的最好表現(xiàn)（Ｆ１ ＝ ７０.０９％）。準(zhǔn)確率指標(biāo)上， Ｓｅｎ?ｔｅｎｃｅ－ＢＥＲＴ 最好達(dá)到７３.８５％， 高Ｗｏｒｄ２Ｖｅｃ ３.７６個(gè)百分點(diǎn)， 表明Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ 的錯(cuò)誤率更低。但召回率指標(biāo)上， Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ 為６７.０３％， 低于Ｗｏｒｄ２Ｖｅｃ（召回率７０.０９％）。權(quán)衡兩個(gè)模型， 研究認(rèn)為對(duì)于疾病癥狀識(shí)別任務(wù)， 在語(yǔ)料相對(duì)充足的前提下， 準(zhǔn)確率更重要。因此， 后續(xù)采用Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ 表示短語(yǔ)， 閾值ε 設(shè)定為０.５１。因該評(píng)測(cè)語(yǔ)料規(guī)模相對(duì)較小， Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ 癥狀識(shí)別算法的實(shí)效在抑郁癥患者典型特征分析和抑郁預(yù)測(cè)兩個(gè)任務(wù)上將做進(jìn)一步檢測(cè)。

４.３抑郁癥典型癥狀分析

將４.２ 的抑郁癥癥狀識(shí)別算法應(yīng)用于ＤＡＴＡ?ＳＥＴ１。針對(duì)不同抑郁程度的病人， 抽取“疾病描述” 中的癥狀短語(yǔ)進(jìn)行統(tǒng)計(jì)。圖５ 展示了“輕度，中度， 重度” ３ 組患者問(wèn)診記錄中癥狀短語(yǔ)的分布情況?？傮w觀察， 嚴(yán)重困擾抑郁癥患者的３ 類癥狀分別是心境低落（類１）、睡眠障礙（類９）和精力下降（類３）， ３ 類癥狀的出現(xiàn)頻率顯著高于其他癥狀； 而不同抑郁程度的患者， ３ 類癥狀出現(xiàn)頻率差異不大， 說(shuō)明心境低落、睡眠障礙和精力下降是抑郁患者的共有表現(xiàn)。但圖４ 揭示出， 隨著患者病情加重， 興趣和愉快感喪失（類２）、自傷或自殺觀念行為（類８）、食欲下降（類１０）癥狀的提及率逐步上升， 尤其輕度、中度和重度患者問(wèn)診記錄中有關(guān)“自傷或自殺觀念行為（類８）” 的短語(yǔ)的提及率有顯著差異， 說(shuō)明“自傷或自殺觀念行為” 的出現(xiàn)是抑郁嚴(yán)重度診斷的重要依據(jù)， 嚴(yán)重抑郁伴隨著極端行為的發(fā)生， 這一結(jié)論與臨床檢測(cè)量表的測(cè)度依據(jù)一致， 從一定程度上檢驗(yàn)了癥狀識(shí)別算法的效力。

４.４根據(jù)癥狀識(shí)別抑郁人群

該實(shí)驗(yàn)通過(guò)建立抑郁癥預(yù)測(cè)模型明確抑郁癥人群的典型特征， 進(jìn)一步檢驗(yàn)本文提出的癥狀識(shí)別算法的實(shí)效。根據(jù)１０ 類癥狀創(chuàng)建１０ 個(gè)特征變量， 若“疾病描述” 中提及了某類癥狀， 則對(duì)應(yīng)的特征變量賦１， 否則為０， 即將病情描述文本轉(zhuǎn)換為１０ 維的０／１矢量， 以癥狀矢量為輸入， 預(yù)測(cè)問(wèn)診者是否為確診病人。

預(yù)測(cè)模型選用了分類性能優(yōu)異， 并能夠進(jìn)行特征重要性分析的ＸＧＢｏｏｓｔ 集成樹算法［３１］ 。以ＤＡＴＡ?ＳＥＴ１ 為實(shí)驗(yàn)數(shù)據(jù)， 按１∶４劃分為測(cè)試集和訓(xùn)練集。在訓(xùn)練集上采用五折交叉驗(yàn)證的網(wǎng)格搜索法確定重要參數(shù)， 參數(shù)取值及最優(yōu)參數(shù)結(jié)果如表５ 所示， 采用最優(yōu)參數(shù)模型對(duì)測(cè)試集的問(wèn)診記錄做預(yù)測(cè)。結(jié)果如表６ 所示， 二分類模型的Ｆ１ 值達(dá)到７５.３％， 精確率和召回率接近， 均在７５％以上， 模型整體表現(xiàn)較理想。對(duì)抑郁患者的識(shí)別能夠達(dá)到精確率（７８.８１％）， 高于非抑郁患者（７２.２９％）， 說(shuō)明基于癥狀特征構(gòu)建的預(yù)測(cè)模型能較好區(qū)分抑郁與非抑郁癥患者。

ＸＧＢｏｏｓｔ 同時(shí)計(jì)算出１０ 類癥狀特征變量的相對(duì)重要度。特征重要度反映各特征項(xiàng)在預(yù)測(cè)任務(wù)中的貢獻(xiàn)， 據(jù)此也可揭示抑郁癥人群的典型癥狀。結(jié)果如圖６ 所示， 心境低落（類１）、睡眠障礙（類９）、自傷或自殺的觀念或行為（類８）３ 類癥狀是診斷抑郁癥的重要因素， 基于ＸＧＢｏｏｓｔ 的特征重要度排名與抑郁癥典型癥狀特征分析結(jié)果一致。心境低落（類１）、睡眠障礙（類９）是患者提及率最高的癥狀， 特別是心境低落（類１）， 其重要度遠(yuǎn)高出其他９ 個(gè)變量。這兩個(gè)癥狀也是抑郁癥診斷標(biāo)準(zhǔn)ＩＣＤ－１０７ 列出的抑郁癥主要特征。自傷或自殺的觀念或行為（類８）是區(qū)分抑郁程度的重要線索， 同樣也是臨床判斷病患病況的關(guān)鍵信息。這些與臨床抑郁癥診斷標(biāo)準(zhǔn)相吻合結(jié)論， 間接驗(yàn)證了本文抑郁癥狀自動(dòng)識(shí)別算法的有效性。

５研究結(jié)論與局限

５.１研究結(jié)論

本研究利用心理學(xué)領(lǐng)域的抑郁癥測(cè)度量表， 運(yùn)用自然語(yǔ)言處理及深度學(xué)習(xí)建模技術(shù)， 以無(wú)監(jiān)督機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)了基于患者在線問(wèn)診記錄的抑郁癥癥狀的自動(dòng)抽取?；诔槿〉募膊“Y狀， 對(duì)不同抑郁程度的患者進(jìn)行了典型癥狀分析， 并實(shí)現(xiàn)抑郁癥人群的自動(dòng)檢測(cè)， 檢驗(yàn)了本文抑郁癥癥狀識(shí)別算法的有效性。主要結(jié)論歸結(jié)為以下兩點(diǎn)：

方法層面， 在評(píng)測(cè)語(yǔ)料上， 本文提出算法的癥狀識(shí)別精度為７３.８５％。應(yīng)用該算法分析抑郁癥患者典型特征、識(shí)別抑郁癥人群， 結(jié)果與臨床診斷標(biāo)準(zhǔn)基本一致， 驗(yàn)證了算法的可行性與合理性。癥狀短語(yǔ)的語(yǔ)義建模實(shí)驗(yàn)比較了３ 個(gè)深度學(xué)習(xí)模型，Ｗｏｒｄ２Ｖｅｃ、Ｄｏｃ２Ｖｅｃ 和Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ， 具有深層次語(yǔ)義表達(dá)能力Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ 整體表現(xiàn)最佳， 表明強(qiáng)化短語(yǔ)的語(yǔ)義表示， 用無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方案也能夠有效識(shí)別疾病癥狀。

應(yīng)用層面， 從患者問(wèn)診記錄中的“疾病描述”中提取抑郁癥癥狀， 應(yīng)用描述統(tǒng)計(jì)和集成樹算法ＸＧＢｏｏｓｔ 對(duì)抑郁癥群體的典型癥狀進(jìn)行分析。描述統(tǒng)計(jì)得出的結(jié)論是， 心境低落、睡眠障礙和精力降低是抑郁癥患者的共有癥狀， 興趣和愉快感喪失、自傷或自殺觀念行為、食欲下降是中／ 重度病患的典型表現(xiàn)。抑郁癥人群的預(yù)測(cè)實(shí)驗(yàn)則揭示， 心境低落、睡眠障礙、自傷或自殺的觀念或行為是診斷抑郁癥的３ 個(gè)主要依據(jù)。這些依據(jù)在線醫(yī)療文本數(shù)據(jù)得出的結(jié)論與臨床心理學(xué)的抑郁癥診斷標(biāo)準(zhǔn)相吻合， 說(shuō)明本方案在實(shí)際應(yīng)用中能為醫(yī)生快速診斷病情提供有價(jià)值的參考， 而檢測(cè)手段的自動(dòng)化將有助于提升醫(yī)療平臺(tái)對(duì)危重患者的響應(yīng)能力， 采取有效的干預(yù)措施， 降低病癥帶給人類健康的危害。

５.２研究局限和后續(xù)研究思考

本研究有３點(diǎn)不足， 為后續(xù)工作提供了研究思路： ①本研究重點(diǎn)分析醫(yī)療咨詢文本中患者疾病癥狀的顯性表達(dá)， 用短語(yǔ)描述癥狀， 盡管運(yùn)用了語(yǔ)義模型， 但語(yǔ)句的上下文信息并未納入模型， 這可能導(dǎo)致抑郁癥的某些癥狀表述未能提取， 從而對(duì)抑郁癥人群識(shí)別模型的預(yù)測(cè)精度產(chǎn)生影響。后續(xù)考慮直接利用疾病描述本文建模， 基于隱性表達(dá)的特征預(yù)測(cè)抑郁癥發(fā)生風(fēng)險(xiǎn)， 并與本文模型進(jìn)行對(duì)比； ②因癥狀短語(yǔ)的標(biāo)注成本較高， 癥狀識(shí)別評(píng)測(cè)語(yǔ)料規(guī)模偏小。本研究通過(guò)兩個(gè)下游任務(wù)檢測(cè)算法， 后續(xù)將擴(kuò)大評(píng)測(cè)語(yǔ)料的規(guī)模， 進(jìn)一步優(yōu)化算法； ③將癥狀提取結(jié)果應(yīng)用于檢測(cè)抑郁人群， 以實(shí)現(xiàn)抑郁癥早期發(fā)現(xiàn)， 而抑郁嚴(yán)重程度預(yù)測(cè)將有助于實(shí)施個(gè)性化治療， 這將成為未來(lái)的另一探索方向。