乳腺癌病理文本的結(jié)構(gòu)化信息提取

吳 歡，應(yīng) 俊，王逸飛，胡華宇，徐洪麗，鄭一瓊

1 解放軍總醫(yī)院 醫(yī)學(xué)大數(shù)據(jù)研究中心，北京 100853 ；2 南開大學(xué)醫(yī)學(xué)院，天津 300071 ；3 解放軍總醫(yī)院第一醫(yī)學(xué)中心 普外科，北京 100853

組織病理學(xué)診斷是乳腺癌確診的金標(biāo)準(zhǔn)，能夠向臨床醫(yī)師提供包括癌癥類型、分化程度、免疫組化信息在內(nèi)的完整臨床病理學(xué)報(bào)告，標(biāo)準(zhǔn)規(guī)范的病理學(xué)報(bào)告，對臨床醫(yī)生進(jìn)行疾病診斷、分析和治療等具有重要參考意義[1]。自2007 年起，中國抗癌協(xié)會開始頒布《乳腺癌診治指南與規(guī)范》，公布了乳腺癌病理學(xué)診斷技術(shù)標(biāo)準(zhǔn)與規(guī)范[2]。但病理報(bào)告依然是非結(jié)構(gòu)化的文本描述，在開展臨床科研統(tǒng)計(jì)分析時(shí)，需要根據(jù)研究主題由臨床研究人員從報(bào)告文本中人工整理出相應(yīng)的研究指標(biāo)及其對應(yīng)值。這種方法不僅效率低、耗時(shí)，而且準(zhǔn)確率難以得到保證。隨著醫(yī)學(xué)大數(shù)據(jù)分析和數(shù)據(jù)挖掘的不斷發(fā)展，對非結(jié)構(gòu)化文本的結(jié)構(gòu)化處理需求日益增長[3]。模式匹配是數(shù)據(jù)結(jié)構(gòu)中字符串的一種基本運(yùn)算，其功能是根據(jù)給定的子串，找出某個字符串中包含的所有該子串，主要包括基于規(guī)則的模式匹配和基于統(tǒng)計(jì)的模式匹配兩種方法[4-6]。基于規(guī)則的模式匹配采用正則表達(dá)式表示需要匹配的字符串模式，對于自然語言文本具有較好的靈活性，在抽取過程中簡單易操作，但抽取效果高度依賴制訂的規(guī)則( 字符串模式)，適用于表達(dá)規(guī)范的文本。在該方法中，正則表達(dá)式指用于描述正則集的代數(shù)表達(dá)式，是由普通字符和通配符等特殊字符組成的文字模式，常用于文本內(nèi)容的搜索，可根據(jù)一定的算法匹配文本，實(shí)現(xiàn)從字符串中提取子字符串的功能，是基于規(guī)則的模式匹配文本信息提取方法的基礎(chǔ)[7-9]?；诮y(tǒng)計(jì)的抽取模型，依靠實(shí)際文本訓(xùn)練學(xué)習(xí)以建立識別模型，雖然可以得到較高的精確度，但訓(xùn)練過程復(fù)雜、耗時(shí)較長[10-11]。由于解放軍總醫(yī)院第一醫(yī)學(xué)中心的乳腺癌病理報(bào)告為單病種報(bào)告且具有一定的規(guī)范性，可快速整理得到其文本結(jié)構(gòu)和數(shù)據(jù)特點(diǎn)，適宜采用基于規(guī)則的模式匹配方法對乳腺病理文本進(jìn)行結(jié)構(gòu)化處理，實(shí)現(xiàn)對非結(jié)構(gòu)化文本的結(jié)構(gòu)化信息提取，以輔助臨床科研人員進(jìn)行下一步醫(yī)學(xué)研究。

資料和方法

1 資料來源 本文處理的病理文本來自解放軍總醫(yī)院第一醫(yī)學(xué)中心2005 - 2017 年共計(jì)10 590 份去隱私的乳腺癌病理報(bào)告，由病理科醫(yī)生采用自然語言描述書寫。乳腺病理報(bào)告內(nèi)容主要包括病理號、申請科室、報(bào)告日期、報(bào)告類型、檢查所見、病理診斷等內(nèi)容。其中，檢查所見為醫(yī)生根據(jù)送檢標(biāo)本肉眼所見，主要包括標(biāo)本類型、標(biāo)本大小、質(zhì)地、邊界等。病理診斷為醫(yī)生根據(jù)鏡下所見對患者病理給予的診斷，主要包括腫瘤類型、SBR 分級、腫瘤大小、腫瘤累及范圍、淋巴結(jié)狀態(tài)和免疫組化檢測內(nèi)容(ER、PR、Ki-67、HER-2、FISH 結(jié)果) 等。病理報(bào)告部分內(nèi)容如表1 所示。

2 病理診斷報(bào)告結(jié)構(gòu) 從表1 可知，病理診斷可以提取出 “側(cè)別”、“腫瘤類型”、“分化分級”、“大小”、“侵犯部位”、“淋巴結(jié)轉(zhuǎn)移數(shù)”、“免疫組化指標(biāo)” 等分別以描述和數(shù)值表達(dá)的結(jié)構(gòu)化字段。其中，側(cè)別和腫瘤類型常一起描述；浸潤性癌常用SBR 分級或分化程度描述腫瘤的成熟程度；原位癌以高、中、低等級別描述腫瘤細(xì)胞核分級；腫瘤大小以三徑表示或只記錄最大徑；侵犯部位主要以部位是否累及或是否侵犯部位的形式描述；淋巴結(jié)轉(zhuǎn)移以部位及轉(zhuǎn)移情況表示，轉(zhuǎn)移情況以分?jǐn)?shù)形式表現(xiàn)，分子為淋巴結(jié)轉(zhuǎn)移數(shù)，分母為淋巴結(jié)檢出數(shù)；免疫組化信息以指標(biāo)名稱和結(jié)果的形式出現(xiàn)，結(jié)果常用括號括起來，指標(biāo)結(jié)果包括染色程度和陽性細(xì)胞所占的百分比。

3 結(jié)構(gòu)化方法 根據(jù)基于規(guī)則的模式匹配方法，病理文本結(jié)構(gòu)化步驟主要包括：1) 輸入語料：病理診斷描述。2) 按算法提?。孩俑鶕?jù)研究目標(biāo)構(gòu)建字段詞典和規(guī)則集；②根據(jù)指標(biāo)關(guān)鍵詞定位目標(biāo)語句；③對目標(biāo)語句利用正則表達(dá)式匹配提取指標(biāo)對應(yīng)的結(jié)果描述部分。3)輸出標(biāo)準(zhǔn)化結(jié)果[12-13]。結(jié)構(gòu)化流程見圖1，具體包括字段配置、拆分?jǐn)嗑洹⒍ㄎ缓蜻x句、字段值抽取、反饋修改五個部分。

圖 1 病理文本結(jié)構(gòu)化流程

3.1 字段配置 病理提取字段信息由臨床醫(yī)生根據(jù)研究所需和病理文本內(nèi)容進(jìn)行總結(jié)，同時(shí)結(jié)合病理科提供的表達(dá)習(xí)慣對提取字段及其可能的描述進(jìn)行整理得到字段描述詞典，并對字段值可能出現(xiàn)的描述進(jìn)行整理歸納，同時(shí)設(shè)置其輸出格式及歸一化值。

3.2 拆分?jǐn)嗑?因乳腺包含左右兩側(cè)，首先根據(jù)側(cè)別將病理文本進(jìn)行拆分重組，如遇“左乳”、“右乳”、“左側(cè)”、“右側(cè)” 等信息時(shí)，根據(jù)關(guān)鍵詞將病理診斷描述文本進(jìn)行拆分，確保拆分后的內(nèi)容為同一側(cè)別的病理信息。其次，根據(jù)主謂賓關(guān)系和標(biāo)點(diǎn)符號提示，對拆分后的病理信息進(jìn)行更細(xì)致的斷句。

表1 病理報(bào)告示例

3.3 定位候選句 根據(jù)字段詞典設(shè)置關(guān)鍵詞，利用正則匹配從語料中定位候選句，同時(shí)可設(shè)置限制條件對包含關(guān)鍵詞但非候選的語句進(jìn)行排除。如關(guān)鍵詞所在語句中包含如除外、懷疑、疑似、建議明確診斷等非肯定用語的情況時(shí)，則將該候選語句排除。

3.4 字段值抽取 把字段值可能的描述轉(zhuǎn)換為以正則表達(dá)式書寫的候選項(xiàng)，在定位的候選語句中進(jìn)行字符串匹配，并根據(jù)設(shè)置的歸一化值輸出結(jié)果信息。

3.5 反饋修改 評估抽取結(jié)果，根據(jù)存在的問題反饋修改字段配置，直到提取結(jié)果的評價(jià)指標(biāo)達(dá)到研究預(yù)設(shè)要求。

4 評價(jià)指標(biāo) 本研究采用的評價(jià)指標(biāo)包括召回率和準(zhǔn)確率。其中，召回率指所有正確提取字段值的數(shù)量與所有待抽取信息數(shù)量之比；準(zhǔn)確率指所有正確提取字段值的數(shù)量與所有提取到信息的字段值數(shù)量之比。

結(jié) 果

1 字段配置和字段描述詞 根據(jù)臨床醫(yī)生整理得到的字段描述詞典如表2 所示，第一列為待抽取字段名稱，第二列為病理報(bào)告中可能出現(xiàn)的描述。如皮膚侵犯在病理報(bào)告中可能以 “癌組織累及皮膚”、“皮膚未見癌”、“癌組織侵犯皮膚” 等形式出現(xiàn)，另因書寫錯誤可能會出現(xiàn)錯別字的情況，如將“浸潤” 寫成“侵潤”。因此，在整理字段描述詞典時(shí)，同時(shí)考慮了錯別字可能出現(xiàn)的情況。此外，為解決同一醫(yī)學(xué)概念不同術(shù)語表述的問題，需要進(jìn)行歸一化設(shè)置。根據(jù)構(gòu)建的字段詞典和字段值可能出現(xiàn)的描述，對字段值格式和歸一化值進(jìn)行設(shè)定，見表3。如將累及皮膚、侵犯皮膚、浸潤皮膚、皮膚見癌等歸一化為累及皮膚；將未累及皮膚、未侵犯皮膚、未浸潤皮膚、皮膚未見癌等歸一化為未累及皮膚。

2 拆分?jǐn)嗑?以表1 中的病理診斷為例，由于本條病理診斷只涉及一個側(cè)別信息，可直接根據(jù)主謂賓關(guān)系和標(biāo)點(diǎn)符號，將病理診斷進(jìn)行斷句為“左側(cè)乳腺浸潤性導(dǎo)管癌，SBR 分級為Ⅱ級，腫瘤大小為2 cm×2 cm×1 cm， 基底切緣未見癌累及， 乳頭及皮膚未見癌， 腋窩及前哨淋巴結(jié)未見轉(zhuǎn)移癌( 分別為0/19、0/3)。 免疫組化染色 顯 示 腫 瘤 細(xì) 胞 ：ER(-)，PR(-)，Ki-67(+35%)，P53(+ ＞75%)，CK5( 部 分+)，Her-1(+++)，Her-2(++～+++)。 ”，其中 表示換行符為斷句點(diǎn)。

表2 字段描述詞典

表3 字段值格式及歸一化值

3 定位候選句 以提取字段“皮膚侵犯” 為例，設(shè)置關(guān)鍵詞為“皮膚”，同時(shí)設(shè)置限制條件對包含“Paget's 病/ 派杰氏病” 的語句進(jìn)行排除，以排除病理診斷中描述皮膚派杰氏病或皮膚呈派杰氏病改變的語句。以表1 中的病理診斷為例，利用正則表達(dá)式匹配定位到關(guān)鍵詞“皮膚” 對應(yīng)的候選語句為 “乳頭及皮膚未見癌”。

4 字段值抽取 同樣地，以提取 “皮膚侵犯” 為例，基于JavaScript 語言利用正則表達(dá)式表示字段值可能的描述如圖2 中options 所示，字段的歸一化值放在每個可能結(jié)果的第一位，包括“未累及皮膚” 和 “累及皮膚” 兩種。根據(jù)關(guān)鍵詞“皮膚”定位的目標(biāo)候選語句為“乳頭及皮膚未見癌，”，與圖2 中黑色框內(nèi)的候選項(xiàng)匹配，因此得到“皮膚侵犯” 的抽取結(jié)果為 “未累及皮膚”。

5 結(jié)果展示 根據(jù)表3 設(shè)置的格式及歸一化要求得到病理診斷的文本結(jié)構(gòu)化結(jié)果如表4 所示，字段名稱及其結(jié)果一一對應(yīng)，若根據(jù)關(guān)鍵詞對應(yīng)的候選句為空或根據(jù)關(guān)鍵詞對應(yīng)的候選句中沒有與候選項(xiàng)相匹配的結(jié)果，則以NA 表示。

6 結(jié)果評價(jià) 為便于對方法效果進(jìn)行評價(jià)，從10 590 條病理診斷中隨機(jī)抽取200 條病理診斷，其中有2 條病理診斷因無側(cè)別信息未能提取到信息，實(shí)際提取到結(jié)構(gòu)化信息的病理診斷共計(jì)198條。根據(jù)評價(jià)指標(biāo)得到：1) 基于隨機(jī)抽樣進(jìn)行效果評估得到的結(jié)構(gòu)化字段的召回率和準(zhǔn)確率均高于90% ；2) 對文本結(jié)構(gòu)及特點(diǎn)分析越詳細(xì)，提取信息的召回率和準(zhǔn)確率越高；3) 字段及其值在文本中的表現(xiàn)方式越簡單，則其召回率和準(zhǔn)確率越高，如皮膚、切緣侵犯情況和免疫組化信息等字段的召回率和準(zhǔn)確率均高于浸潤癌大小。見表5。

表4 病理提取結(jié)果樣例

表5 部分字段的評價(jià)指標(biāo)

討 論

圖 2 字段值抽取代碼

目前，自然語言處理技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用主要體現(xiàn)在病歷文本數(shù)據(jù)挖掘、醫(yī)療知識圖譜構(gòu)建等方面，使得非結(jié)構(gòu)化的文本數(shù)據(jù)成為可分析的結(jié)構(gòu)化數(shù)據(jù)，便于臨床知識發(fā)現(xiàn)與應(yīng)用研究。醫(yī)學(xué)自然語言處理過程主要包括分詞、詞性標(biāo)注、實(shí)體識別、實(shí)體關(guān)系抽取等任務(wù)[15]。針對以上任務(wù)分別提出基于詞典、基于規(guī)則、基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的文本信息處理技術(shù)[16-19]。

通過本研究得到如下一些思考：1) 針對乳腺癌病理報(bào)告這樣的單病種且書寫規(guī)范程度較高的文本信息，不存在較難理解的語義分析，基于詞典和規(guī)則方法可實(shí)現(xiàn)分詞和實(shí)體識別，同時(shí)結(jié)合正則表達(dá)式匹配即可提取實(shí)體間的修飾或關(guān)系信息，因此基于規(guī)則的模式匹配信息提取方法具有一定適用性。2) 與基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的處理方法相比較，針對語義簡單、結(jié)構(gòu)規(guī)范的文本，雖然基于規(guī)則的模式匹配方法的信息提取技術(shù)更簡單、快速、易實(shí)現(xiàn)，但前期需要根據(jù)臨床經(jīng)驗(yàn)或?qū)嶋H數(shù)據(jù)情況進(jìn)行大量的歸納總結(jié)以完成字段配置，字段配置的情況直接影響抽取結(jié)果。3) 此方法是針對特定語料制訂的抽取規(guī)則，因此也限制了該成果在其他領(lǐng)域或者語料中的通用性。4) 雖然我國已經(jīng)對不同疾病的病理書寫規(guī)范進(jìn)行了規(guī)定，但不同的醫(yī)生具有不同的依從性和書寫習(xí)慣，通過文本的結(jié)構(gòu)化處理和結(jié)果評估，可反向推動病理報(bào)告描述用語的規(guī)范化，最終進(jìn)一步提高病理報(bào)告的結(jié)構(gòu)化能力。

綜上，本文根據(jù)乳腺病理文本的數(shù)據(jù)結(jié)構(gòu)及特點(diǎn)，采取了一種簡單易操作的基于規(guī)則的模式匹配文本結(jié)構(gòu)化處理方法，實(shí)現(xiàn)病理文本快速、準(zhǔn)確的結(jié)構(gòu)化處理，對其他單病種病理文本數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)提供了一定的參考。同時(shí)，本項(xiàng)研究在一定程度上對解放軍總醫(yī)院第一醫(yī)學(xué)中心病理報(bào)告書寫規(guī)范起到了推動作用。