基于醫(yī)療衛(wèi)生文本語義依存樹庫建設(shè)研究

于 清，陳亞波，徐 健，常 樂，侯云霞

（1.新疆大學 信息科學與工程學院，新疆 烏魯木齊 830046；2.新疆大學 軟件學院，新疆 烏魯木齊 830008）

大數(shù)據(jù)、云平臺、移動網(wǎng)絡(luò)、社交媒體、深度學習、人工智能等計算機技術(shù)迅猛發(fā)展，顛覆了許多傳統(tǒng)行業(yè)，行醫(yī)治病模式也發(fā)生巨大變化，醫(yī)學與計算機技術(shù)結(jié)合越來越緊密。此外，人們生活水平不斷提高，對健康越來越重視，加速了醫(yī)療智能化發(fā)展，“互聯(lián)網(wǎng)+健康醫(yī)療”開啟了新時代，穿戴式計算產(chǎn)品、移動醫(yī)療應(yīng)用越來越多走進人們生活［1］。但是，新疆維吾爾自治區(qū)民族居多，語言不通，加之基礎(chǔ)醫(yī)療設(shè)施落后，造成偏遠地區(qū)看病難，由此，開展醫(yī)療衛(wèi)生服務(wù)信息化、翻譯自動化研究意義深遠。

實現(xiàn)醫(yī)療衛(wèi)生領(lǐng)域信息化、自動化，最基礎(chǔ)的技術(shù)研究詞法分析、句法分析、語義分析是關(guān)鍵。現(xiàn)有分詞工具應(yīng)用于醫(yī)學文本，出錯率高，并且面對復(fù)雜專業(yè)的醫(yī)學術(shù)語詞匯，現(xiàn)有標注集中的符號，無法準確標注，目前醫(yī)療衛(wèi)生領(lǐng)域，還沒有統(tǒng)一標準的詞性標注規(guī)范集。

語義依存分析是建立在精確分詞，精準詞性標注以及語義關(guān)系標記基礎(chǔ)之上，它融合了句子的依存結(jié)構(gòu)和語義信息，對高層次應(yīng)用研究如：自動問答、信息抽取、機器翻譯、信息檢索、自動文摘等有很大幫助。關(guān)于醫(yī)學文本數(shù)據(jù)語義依存樹庫建設(shè)，還沒有檢索到相關(guān)文獻。文章研究目標是構(gòu)建醫(yī)學術(shù)語詞典提高現(xiàn)有分詞系統(tǒng)準確率；在現(xiàn)有詞性標注規(guī)范集基礎(chǔ)上，對醫(yī)療衛(wèi)生文本數(shù)據(jù)詞性標注提出建議；對語義依存句法分析工具錯誤的標注結(jié)果進行總結(jié)，為下一步實現(xiàn)自動化后處理以及探索維語依存樹庫建設(shè)奠定基礎(chǔ)。

圖1 研究內(nèi)容設(shè)計方案

1 醫(yī)學專業(yè)術(shù)語詞典構(gòu)建及切分規(guī)則

國內(nèi)比較流行的中文分詞工具有：結(jié)巴、THULAC、LTP［2］、ICTCLAS［3］，這些分詞工具在github上已經(jīng)開源，對通用文本如：新聞、體育、政治有較高的自動識別率，但是應(yīng)用于專業(yè)領(lǐng)域，識別率偏低［4］。

結(jié)巴分詞系統(tǒng)優(yōu)勢在于支持用戶添加自定義詞典，并且用戶添加詞典的優(yōu)先級高于系統(tǒng)原詞典，根據(jù)第二屆國際漢語分詞測評，發(fā)布的國際中文分詞測評標準，它的精確率為81.4%，未登錄詞召回率為80.9%，F(xiàn)值為81.1%。它的詞性標注集參考了北大詞性標注集、清華大學詞性標注集及美國賓州大學中文詞性標注集。將結(jié)巴分詞工具應(yīng)用于醫(yī)療衛(wèi)生文本數(shù)據(jù)，準確率只有26%，造成切分不準確的主要原因：大量醫(yī)學專業(yè)術(shù)語詞匯，且詞的組合形式多樣，增加了分詞工具識別難度，構(gòu)建醫(yī)學專業(yè)術(shù)語詞典是提高分詞工具切分準確率的可行方案。

醫(yī)療衛(wèi)生領(lǐng)域疾病種類多、藥物名稱多、專業(yè)稱呼復(fù)雜，專用動詞出現(xiàn)頻繁。經(jīng)過對醫(yī)學術(shù)語大量查找、篩選、查重，重點從以下幾方面采集數(shù)據(jù)：國際疾病分類標準編碼［5］；搜狗醫(yī)學詞庫；臨床術(shù)語；人體器官名；常用藥品名稱；人體穴位及解剖學常用詞匯；國際醫(yī)學組織、醫(yī)院科室、醫(yī)用工具及醫(yī)護人員專業(yè)稱呼。最終獲得65394個醫(yī)學術(shù)語詞匯，其中最長12字，對整理后的術(shù)語詞匯進行人工詞性標注，完成醫(yī)學專業(yè)術(shù)語詞典構(gòu)建。

文獻［6］分別應(yīng)用三種分詞方法：基于詞典的分詞方法，基于統(tǒng)計的分詞方法和詞典與統(tǒng)計相結(jié)合的分詞方法對醫(yī)療數(shù)據(jù)進行分詞實驗，其中，基于詞典的分詞方法準確率最高。文章深入探索該方法的實際應(yīng)用，發(fā)現(xiàn)如果合理解決醫(yī)學術(shù)語中大量組合詞何時組合、何時拆分，該方法用于對醫(yī)療文本數(shù)據(jù)切分，效果明顯提升。提出組合詞切分規(guī)則“如果該詞切分后，每個詞都有實際意義，做切分處理，否則組合成一個詞”［7］。具體實例如下：

1.“腎上腺利尿激素”這個組合詞，由“腎上腺”和“利尿激素”兩個詞構(gòu)成，由于“腎上腺”在醫(yī)學詞匯中有實際意義，而“利尿激素”也具有實際意義，所以對該類詞拆分處理。

2.“阿爾茨海默蛋白”這個組合詞，分詞系統(tǒng)處理結(jié)果為“阿爾茨海默”（被標注為人名（nr））和“蛋白”（名詞，（n））兩個詞。雖然“阿爾茨海默”表示人名，但在醫(yī)學用語中，通常見它與“病”，“癥”等詞組合，表示一種疾病或病理。將該類詞組合成一個詞，方能表達出詞匯真實含義。

遵循切分規(guī)則，構(gòu)建醫(yī)學術(shù)語常用詞典，結(jié)巴分詞系統(tǒng)添加了自定義的詞典后，對醫(yī)療衛(wèi)生文本數(shù)據(jù)再切分，準確率達到78.5%，較之前提高了52.5%。

2 醫(yī)學文本詞性標注建議

對中文文本信息化處理過程中，首要問題是分詞，從而需要制訂分詞標準以及詞性標注規(guī)范集，判斷詞與詞的分界，以及對不同詞類進行詞性標注?，F(xiàn)有的標注集有：《信息處理用現(xiàn)代漢語分詞規(guī)范》（簡稱國家規(guī)范）［8］，1992年頒布；《現(xiàn)代漢語語料庫基本加工規(guī)范》，由北京大學2002年頒布；《現(xiàn)代漢語語料庫文本分詞規(guī)范Ver3.0》，由清華大學計算機科學與技術(shù)系和北京語言文化大學語言信息處理研究所1998年頒布；《973當代漢語文本語料庫分詞、詞性標注加工規(guī)范》，由山西大學2003年頒布，以及《資訊處理用中文分詞規(guī)范》，由臺灣1998年頒布。除了臺灣頒布的規(guī)范集外，其余規(guī)范集都是在大陸規(guī)范的基礎(chǔ)上制定的。但是，對于醫(yī)療衛(wèi)生領(lǐng)域，目前沒有統(tǒng)一標準的規(guī)范集。

不同于新聞報紙詞匯，醫(yī)療衛(wèi)生領(lǐng)域詞匯有明顯醫(yī)學特色及特殊含義，如果完全參考原標注體系，有些詞將無法表示出實際意義。如：“肌力4+級”，分詞系統(tǒng)對符號“+”的標注結(jié)果為“x”，而它在句中的真實含義是“強”，標注為“a”形容詞更貼切。諸如此類情況，迫切需要醫(yī)療領(lǐng)域信息化進程中，基于原有標注集，進行完善補充。

對分詞工具處理后的醫(yī)療衛(wèi)生文本進行分析發(fā)現(xiàn)，一般詞匯都能準確切分，醫(yī)學專業(yè)術(shù)語出錯率極高，而包含大量醫(yī)學專業(yè)術(shù)語命名實體，尤其名詞是醫(yī)學文本主要特征。文章就名詞類展開研究，綜合上述已有規(guī)范，名詞類常見詞性標記如表1。

表1 名詞類詞性標注

細觀自動分詞標注后的醫(yī)療衛(wèi)生文本數(shù)據(jù)，大量命名實體，類型繁雜，上述名詞詞性標記，不足以反映出醫(yī)學術(shù)語專有名詞特點，建議在原有標注集基礎(chǔ)上增加一類標記，醫(yī)學術(shù)語專有名詞標記“ny”，由名詞代碼n和“醫(yī)”的聲母y并在一起構(gòu)成，ny又可細分為以下3類：

（1）“眼眶”、“脊髓”、“靜脈”等器官名稱，包括中醫(yī)人體穴位，在醫(yī)療衛(wèi)生文本中大量出現(xiàn)，建議列為醫(yī)學術(shù)語專有名詞一個子類——器官類“nyq”。

（2）“腦性癱瘓”、“高血壓”為疾病；“CT”、“B超”為檢查；“手術(shù)刀”、“止血鉗”為醫(yī)療器械。醫(yī)療衛(wèi)生文本包含大量疾病治療過程，其中疾病病理名稱、疾病癥狀，所用器械、檢查、手術(shù)名稱及治療過程等與疾病密切相關(guān)，建議列為醫(yī)學術(shù)語專有名詞一個子類——疾病類“nyj”。

（3）大量與治療疾病相關(guān)的藥物，不但包括藥物名稱（包括通用名，正式商品名，以及藥物主要成分命名的醫(yī)用名），而且包括藥物的施治方式，計量，用藥頻率等，建議列為醫(yī)學術(shù)語專有名詞中一個子類——藥物類“nyy”。針對醫(yī)療衛(wèi)生文本數(shù)據(jù)特點，醫(yī)學術(shù)語專有名詞分類細則參見圖2所示。

圖2 醫(yī)學術(shù)語專有名詞分類

以上對原有標注集的補充完善，必將促進醫(yī)療領(lǐng)域文本數(shù)據(jù)的自動化處理。

3 醫(yī)學文本語義依存分析

語義依存分析的目標是跨越句子表層句法結(jié)構(gòu)束縛，分析句子各個語言單位之間的語義關(guān)聯(lián)，并將具有直接語義關(guān)聯(lián)的語言單元直接連接依存弧，并標記上相應(yīng)的語義關(guān)系，從而獲取深層語義信息［9］。

語義依存關(guān)系分為三類，語義角色：包含34種關(guān)系，每一種語義角色對應(yīng)存在一個嵌套關(guān)系和反關(guān)系；事件關(guān)系：描述兩個事件間的關(guān)系，包含19種類型；語義依附標記：標記說話者語氣等依附信息，包含17種標記；此外還包含一個根節(jié)點Root，是全句的核心節(jié)點，詳見哈工大LTP語言云，目前已經(jīng)開放。

語義依存分析，是用以上制訂的各種關(guān)系標記，深刻描述出句子語義信息，人工標記費時費力耗財，借助語義依存分析平臺，可實現(xiàn)對句子的自動化標記。然而由于醫(yī)學文本句子有其獨特風格，自動化處理結(jié)果往往包含錯誤。此外，語義分析是繼分詞，詞性標注后的自動化處理過程，如果分詞和詞性標注出現(xiàn)錯誤，會導(dǎo)致語義依存分析錯誤累積。以上諸因素，自動生成的依存樹庫，需要后處理。

文獻［10］提到，句子太短不能表達完整語義，句子太長超過一定限度，依存句法分析會產(chǎn)生劃分錯誤。句子長度閾值介于8-40字為合適范圍［11］。于是構(gòu)建了45215條醫(yī)學文本句子，從中抽取2萬條，每條句子長度介于8-40個字，先進行自動化依存句法分析，通過對500條標注后的句子，人工校對，發(fā)現(xiàn)如下規(guī)律。

3.1 詞性調(diào)整會改變語義依存關(guān)系

人工校對過程中，關(guān)于詞切分、詞性標注仍然存在大量分歧，通過搜索和查閱大量文獻，信息處理用電子病歷詞性標注遵循以下原則：第一，語法功能原則；第二，允許有兼類［12］。名詞類和動詞類最容易出錯，需根據(jù)語法功能，判斷詞性，人工重新標注，語義依存關(guān)系自動變化。常見標注錯誤有以下幾方面：

（1）名詞或動詞詞性標注沖突

如分詞處理結(jié)果：免疫/v抑制劑/n、/wp免疫/v增強劑/n。

其中，“免疫”可為動詞也可為名詞。百度搜索后：“免疫是人體的一種生理功能，人體依靠這種功能識別"自己"和"非己"成分，以維持人體的健康?！痹卺t(yī)學方面大量使用其名詞屬性。因此將“免疫”重新標注為名詞。

（2）分詞歧義造成錯誤

如分詞處理結(jié)果：有/v此前/nt驅(qū)/v癥狀/n。/wp

根據(jù)語法、語義，應(yīng)修改為：有/v此/nt前驅(qū)/n癥狀/n。/wp

上述句子屬于交集型歧義。

（3）醫(yī)學術(shù)語造成的分詞錯誤

如分詞處理結(jié)果：口腔/n念/v珠菌病/n

修正①：口腔念珠菌病/nd

修正②：口腔/n念珠菌病/nd

修正③：口腔/n念珠菌/nd病/n

百度搜索：念珠菌病是由念珠菌病主要是白色念珠菌引起的皮膚、粘膜或內(nèi)臟器官真菌病。根據(jù)查詢結(jié)果及分詞規(guī)則，最終保留第二種糾正結(jié)果。

3.2 自動語義依存分析存在問題

盡管當前語義依存工具強大，但是面對特定領(lǐng)域，尤其醫(yī)療衛(wèi)生領(lǐng)域，由于語句明顯有醫(yī)學特點，需要進一步人工校對。通過實踐，總結(jié)出以下規(guī)律：

（1）主語并列引發(fā)root節(jié)點指向不明

如原句：營養(yǎng)不良、變態(tài)反應(yīng)體質(zhì)、不良的衛(wèi)生習慣及陰暗潮濕的居住環(huán)境等可誘發(fā)本病。

詞法分析后的句子：營養(yǎng)/n不良/a、/wp變態(tài)反應(yīng)/i體質(zhì)/n、/wp不良/a的/u衛(wèi)生/a習慣/n及/c陰暗/a潮濕/a的/u居住/v環(huán)境/n等/u可/v誘發(fā)/v本病/r。/wp

經(jīng)修改后，語義依存分析標注為：

圖3 主語并列項的句子標注結(jié)果

如圖3所示：本句用到了根節(jié)點（Root）、描寫角色（Feat）、當事關(guān)系（Exp）、并列關(guān)系（eCoo）、的字標記（mAux）、多數(shù)標記（mMaj）、情態(tài)標記（mMod）和標點標記（mPunc），共8種語義依存標注關(guān)系。圖中“營養(yǎng)不良”、“變態(tài)反體質(zhì)”、“不良的衛(wèi)生習慣”及“陰暗潮濕的居住環(huán)境”作為句子的并列主語，引發(fā)root節(jié)點指向“不良”形容詞，在標記規(guī)范中root節(jié)點是全句的核心節(jié)點，應(yīng)該指向核心詞，本句的核心詞是動詞“誘發(fā)”。

（2）缺少主語，影響詞間關(guān)系標注

如原句：多見于青少年及兒童。

詞法分析后的句子：多/a見于/v青少年/n及/c兒童/n。/wp

句子沒有主語，只有謂語賓語，“多”字起修飾作用，與動詞的詞間關(guān)系沒有自動生成，經(jīng)討論描寫關(guān)系（Feat）為最接近的關(guān)系表示，修改后，語義依存分析標注為：

圖4 缺少主語的句子標注結(jié)果

如圖4所示：本句用到根節(jié)點（Root）、受事關(guān)系（Pat）、描寫角色（Feat）、連詞標記（mConj）、并列關(guān)系（eCoo）和標點標記（mPunc），6種語義依存標注關(guān)系。

（3）存在多個相連動詞

如原句：多認為是由多種微生物蛋白質(zhì)引起的遲發(fā)型變態(tài)反應(yīng)性疾病。

詞法分析后的句子：多/a認為/v是/v由/p多種/m微生物/n蛋白質(zhì)/n引起/v的/u遲發(fā)型/b變態(tài)反應(yīng)性/n疾病/n。/wp

存在多個相連動詞，造成根節(jié)點（Root）指向錯誤，修改后，語義依存分析標注為：

圖5 存在多個動詞的句子標注結(jié)果

（4）醫(yī)療文本中的順承關(guān)系有延伸

如原句：用0.1%利福平眼藥水、0.1%肽丁胺眼藥水或0.5%氯霉素眼藥水等點眼。

詞法分析后的句子：用/p 0.1%/m利福平/v眼藥水/n、/wp 0.1%/m肽丁胺/n眼藥水/n或/c 0.5%/m氯霉素/n眼藥水/n等/u點眼/n。/wp

修改后，語義依存分析標注為：

圖6 存在順承關(guān)系的句子的標注結(jié)果

順承關(guān)系（eSucc）中，代表性關(guān)鍵詞為“隨后，然后”。順承關(guān)系表示前后兩個行為之間只有時間的先后，不一定有程度的加深、范圍的擴大。而在醫(yī)療文本中，順承關(guān)系（eSucc）有擴張，不僅表現(xiàn)在出現(xiàn)的關(guān)鍵詞，而且表現(xiàn)在動詞與動詞之間。

4 結(jié)論與展望

文章針對現(xiàn)有分詞工具對醫(yī)療衛(wèi)生領(lǐng)域文本分詞、詞性標注出現(xiàn)的諸多問題進行研究，提出擴充詞性標注集方案，對詞切分錯誤進行歸納總結(jié)，并構(gòu)建了專業(yè)的醫(yī)學術(shù)語詞典。進一步深入研究了醫(yī)療衛(wèi)生領(lǐng)域句子的依存句法特征，構(gòu)建了小規(guī)模語義依存樹庫。這些研究為醫(yī)學文本信息化處理奠定了基礎(chǔ)。

下一步將繼續(xù)擴充語義依存樹庫，對醫(yī)療衛(wèi)生領(lǐng)域文本的語義依存特征進行更深入分析和總結(jié)，實現(xiàn)用統(tǒng)計方法對現(xiàn)有依存工具句法標注結(jié)果進行自動化后處理，擴大樹庫規(guī)模，達到高層應(yīng)用需求。

參考文獻：

［1］《全國醫(yī)療衛(wèi)生服務(wù)體系規(guī)劃綱要（2015-2020年）》國務(wù)院辦公廳（2015）14號文件［EB/OL］.http://www.gov.cn/zhengce/content/2015-03/30/content_9560.htm.

［2］劉挺，車萬翔，等.語言技術(shù)平臺［J］.中文信息學報，2011，25（6）：53-62.

［3］唐濤.面向特定領(lǐng)域的中文分詞技術(shù)的研究［D］.沈陽航空航天大學，2012.

［4］魏進.中文分詞技術(shù)在公安信息系統(tǒng)中的應(yīng)用研究［D］.解放軍信息工程大學，2007.

［5］卜擎燕，熊寧寧.ICH國際醫(yī)學用語詞典［M］.上海：上海交通大學出版社，2007.

［6］于清，陳永杰，等.適用于醫(yī)療衛(wèi)生領(lǐng)域的中文分詞方法研究［J］.新疆師范大學學報（自然科學版），2017，36（01）：62-66.

［7］蔣志鵬，趙芳芳，等.面向中文電子病歷的詞法語料標注研究［J］.高技術(shù)通訊，2014，24（06）：609-615.

［8］楊錦鋒，于秋斌，等.電子病歷命名實體識別和實體關(guān)系抽取研究綜述［J］.自動化學報，2014，24（8）：1537-1562.

［9］袁毓林.論元角色的層級關(guān)系和語義特征［J］.世界漢語教學，2002，3（002）：10-22.

［10］李向宏，王丁，等.自然語言句法分析研究現(xiàn)狀和發(fā)展趨勢［J］.微處理機，2003，1（2）：4-12.

［11］孟謠，李生，等.基于統(tǒng)計的句法綜述分析技術(shù)［J］.計算機科學，2003，30（9）：54-58.

［12］楊梅，白楠.國內(nèi)語料庫翻譯研究現(xiàn)狀調(diào)查——基于國內(nèi)學術(shù)期刊的數(shù)據(jù)分析［J］.中國翻譯，2010，6（1）：46-50.